分割音频

代码来源：音频文件按照正常语句，断句拆分的处理方法

import wave
import os
from pydub import AudioSegment
from pydub.silence import split_on_silence


# 初始化
audiopath = "G:/python_test/mic/20210201_120146.wav"
audiotype = 'wav' #如果wav、mp4其他格式参看pydub.AudioSegment的API

cut_time=1  #音频切割间隔1s

# 读入音频
print('读入音频')
sound = AudioSegment.from_file(audiopath, format=audiotype)
# sound = sound[:3*60*1000] #如果文件较大，先取前3分钟测试，根据测试结果，调整参数
duration = sound.duration_seconds * 1000  # 音频时长（ms）
print(sound.duration_seconds)
num=sound.duration_seconds/cut_time     #切割成多少个文件
file_num=int(num)
print('wav file num = ',num, 'loss 1')

filepath = os.path.split(audiopath)[0]  #获取当前处理音频的路径
cuts_path = filepath+'/cuts/'
print(cuts_path)

if not os.path.isdir(cuts_path):
        os.makedirs(cuts_path)

for i in range(file_num+1):     #加1是因为分割数可能是小数
    begin=0 + cut_time*i*1000
    end=begin+cut_time*1000
    if end/1000 > file_num:
        end=sound.duration_seconds*1000
    print('begin=',begin,'end=',end)
    cut_file_path=cuts_path+'cutxxx'+'.wav'
    if i < 10:
        cut_file_path=cut_file_path.replace('xxx','0'+str(i))
    else:
        cut_file_path=cut_file_path.replace('xxx',str(i))
    
    cut_wav = sound[begin:end]   #以毫秒为单位截取[begin, end]区间的音频
    cut_wav.export(cut_file_path, format='wav')   #存储新的wav文件
print('保存完毕')

FFT

代码来源：python做语音信号处理

import os
import csv
import numpy as np
import json

import numpy as np
from scipy.io import wavfile
import matplotlib.pyplot as plt

def get_front_2_last (line, front, last):
        begin=line.find(front)+len(front)
        word=line[begin:]
        end=word.find(last)
        # print("begin=",begin,"end=",end)
        ss=word[:end]
        # print(ss)
        return ss


def fft_pict(file_name):
    num=get_front_2_last(file_name,"/cut",".wav")
    print(num)
    xlab='Freq (kHz)--'+num
    save_file_name="fft_pict/"+num+".png"

    sampling_freq, audio = wavfile.read(file_name)   # 读取文件

    audio = audio / np.max(audio)   # 归一化，标准化

    # 应用傅里叶变换
    fft_signal = np.fft.fft(audio)
    # print(fft_signal)
    # [-0.04022912+0.j         -0.04068997-0.00052721j -0.03933007-0.00448355j
    #  ... -0.03947908+0.00298096j -0.03933007+0.00448355j -0.04068997+0.00052721j]

    fft_signal = abs(fft_signal)
    # print(fft_signal)
    # [0.04022912 0.04069339 0.0395848  ... 0.08001755 0.09203427 0.12889393]

    # 建立时间轴
    Freq = np.arange(0, len(fft_signal))

    # 绘制语音信号的

    plt.plot(Freq, fft_signal, color='blue')
    plt.xlabel(xlab)

    plt.xlim(0, 2000)

    plt.ylabel('Amplitude')

    plt.savefig(save_file_name) 
    plt.clf()


resultdir="cuts"
plt.figure()    #不能放在函数里，否则处理速度会很慢，并且会提示窗口创建过多
for root, dirs, files in os.walk(resultdir):
        for f in files:
            print(f)
            print(root)
            f_name=root+'/'+f
            
            fft_pict(f_name)

plt.close("all")

打开过多窗口解决
我使用的是只创建一个窗口，然后每次打开文件后清除内容。

之前把创建窗口命令放在fft_pict函数里，导致每次处理需要创建窗口，速度特别慢。

求语谱图

代码来源：python绘制语谱图（详细注释）

import numpy as np
import matplotlib.pyplot as plt
import os
import wave
 
# #读入音频。
# path = "E:\SpeechWarehouse\zmkm"
# name = 'zmkm0.wav'
# #我音频的路径为E:\SpeechWarehouse\zmkm\zmkm0.wav
# filename = os.path.join(path, name)
 
# 打开语音文件。
f = wave.open("20210201_120146.wav")
# 得到语音参数
params = f.getparams()
nchannels, sampwidth, framerate,nframes = params[:4]    
# nframes该音频的采样数
#---------------------------------------------------------------#
# 将字符串格式的数据转成int型
print("reading wav file......")
strData = f.readframes(nframes)
waveData = np.frombuffer(strData,dtype=np.short)
# 归一化
waveData = waveData * 1.0/max(abs(waveData))
#将音频信号规整乘每行一路通道信号的格式，即该矩阵一行为一个通道的采样点，共nchannels行
waveData = np.reshape(waveData,[nframes,nchannels]).T # .T 表示转置
f.close()#关闭文件
print("file is closed!")
# #----------------------------------------------------------------#
# '''绘制语音波形'''
# print("plotting signal wave...")
# time = np.arange(0,nframes) * (1.0 / framerate)#计算时间
# time= np.reshape(time,[nframes,1]).T
# plt.plot(time[0,:nframes],waveData[0,:nframes],c="b")
# plt.xlabel("time")
# plt.ylabel("amplitude")
# plt.title("Original wave")
# plt.show()
 
#--------------------------------------------------------------#
'''
    绘制频谱
        1.求出帧长、帧叠点数。且FFT点数等于每帧点数（即不补零）
        2.绘制语谱图
'''
print("plotting spectrogram...")
framelength = 0.025 #帧长20~30ms
framesize = framelength*framerate #每帧点数 N = t*fs,通常情况下值为256或512,要与NFFT相等\
                                    #而NFFT最好取2的整数次方,即framesize最好取的整数次方
 
#找到与当前framesize最接近的2的正整数次方
nfftdict = {}
lists = [32,64,128,256,512,1024]
for i in lists:
    nfftdict[i] = abs(framesize - i)
sortlist = sorted(nfftdict.items(), key=lambda x: x[1])#按与当前framesize差值升序排列
framesize = int(sortlist[0][0])#取最接近当前framesize的那个2的正整数次方值为新的framesize
 
NFFT = framesize #NFFT必须与时域的点数framsize相等，即不补零的FFT
overlapSize = 1.0/3 * framesize #重叠部分采样点数overlapSize约为每帧点数的1/3~1/2
overlapSize = int(round(overlapSize))#取整
print("帧长为{},帧叠为{},傅里叶变换点数为{}".format(framesize,overlapSize,NFFT))
# spectrum,freqs,ts,fig = plt.specgram(waveData[0],NFFT = NFFT,Fs =framerate,window=np.hanning(M = framesize),noverlap=overlapSize,mode='default',scale_by_freq=True,sides='default',scale='dB',xextent=None)#绘制频谱图
          
print("NFFT",NFFT)
print("overlapSize",overlapSize)

#----------------------------------------------------------------#
'''绘制语音波形'''
print("plotting signal wave...")
time = np.arange(0,nframes) * (1.0 / framerate)#计算时间
time_len=nframes * (1.0 / framerate)
time= np.reshape(time,[nframes,1]).T

plt.subplot(211) #两行，第一列第一行
plt.plot(time[0,:nframes],waveData[0,:nframes],c="b")   #c表示颜色为青绿色
plt.xlim(0,time_len)    #限制x轴显示范围0-x秒
plt.xlabel("time")
plt.ylabel("amplitude")
plt.title("Original wave")


plt.subplot(212) #两行，第一列第二行

spectrum,freqs,ts,fig = plt.specgram(waveData[0],NFFT = NFFT,Fs =framerate,window=np.hanning(M = framesize),noverlap=overlapSize,mode='default',scale_by_freq=True,sides='default',scale='dB',xextent=None)#绘制频谱图
plt.ylim(0,2000)   #限制y轴显示范围为0-X频率
plt.ylabel('Frequency')
plt.xlabel('Time')
plt.title("Spectrogram")

plt.tight_layout()  #调整每隔子图之间的距离
plt.savefig('all.png')       # save the pict
plt.show()

效果图

FFT

语谱图