python librosa 包 - 如何从频谱中提取音频

Question

在人声分离的情况下使用 Librosa ，人声和背景音乐可以单独绘制，但我想从人声部分提取音频，人声部分的频谱位于名为“S_foreground”的变量中(请访问上面的链接进行演示)。如何获取前景(人声)音频？

Answer 1

您可能已经注意到 S_foreground 来自 S_full，后者来自名为 magphase 的函数。根据有关此功能的文档，它可以

Separate a complex-valued spectrogram D into its magnitude (S) and phase (P) components, so that D = S * P.

由于magphase在

中取的实参

S_full, phase = librosa.magphase(librosa.stft(y))

是stft(y)，也就是y的短时傅立叶变换，初始的ndarray，我估计你需要的要做的是计算一个新的 D:

D_foreground = S_foreground * 相位

并将其丢给 Inverse stft 函数 (librosa.istft):

y_foreground = librosa.istft(D_foreground)

之后就可以使用输出函数了:

librosa.output.write_wav(output_file_path, y_foreground, sr)

老实说，我对这些理论上的东西并不熟悉(我使用这种方法输出的质量很差可能就是一个证明)，但以上是我对如何导出音频的猜测。事实证明保真度很差(至少在我的情况下)，所以如果你真的关心音频质量，你可能想尝试一些其他软件。