python - 在 scipy 中重现 sox 频谱图

Question

例如，我有一个带有语音的 wav 文件。

我可以使用 sox 创建漂亮的频谱图可视化:

wget https://google.github.io/tacotron/publications/tacotron2/demos/romance_gt.wav
sox romance_gt.wav -n spectrogram -o spectrogram.png

如何在 python 中重现此频谱图？

这里是使用 scipy.signal.spectrogram 的示例

input_file = 'temp/romance_gt.wav'
fs, x = wavfile.read(input_file)
print('fs', fs)
print('x.shape', x.shape)

f, t, Sxx = signal.spectrogram(x, fs)
print('f.shape', f.shape)
print('t.shape', t.shape)
print('Sxx.shape', Sxx.shape)
plt.pcolormesh(t, f, Sxx)
plt.ylabel('Frequency [Hz]')
plt.xlabel('Time [sec]')
plt.savefig('spectrogram_scipy.png')

但看起来有些参数不好或者有什么东西坏了:

Answer 1

注意 sox 生成的图中颜色条的比例。单位为dBFS :相对于满量程的分贝。要使用 SciPy 和 Matplotlib 重现该图，您需要缩放这些值以使最大值为 1，然后取这些值的对数以转换为 dB。

这是脚本的修改版本，其中包括对spectrogram 和pcolormesh 参数的各种调整，可创建类似于 sox 输出的绘图。

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

input_file = 'romance_gt.wav'
fs, x = wavfile.read(input_file)
print('fs', fs)
print('x.shape', x.shape)

nperseg = 1025
noverlap = nperseg - 1
f, t, Sxx = signal.spectrogram(x, fs,
                               nperseg=nperseg,
                               noverlap=noverlap,
                               window='hann')
print('f.shape', f.shape)
print('t.shape', t.shape)
print('Sxx.shape', Sxx.shape)
plt.pcolormesh(1000*t, f/1000, 10*np.log10(Sxx/Sxx.max()),
               vmin=-120, vmax=0, cmap='inferno')
plt.ylabel('Frequency [kHz]')
plt.xlabel('Time [ms]')
plt.colorbar()
plt.savefig('spectrogram_scipy.png')

我将 Sxx 除以 Sxx.max() 以考虑 dBFS 的“全面”方面。我调整了频谱图的 nperseg 和 noverlap 参数，以在频率和时间轴上提供高于默认值的分辨率。我使用 window='hann' 来匹配 sox 的默认行为。 (您可以在 http://sox.sourceforge.net/sox.html 找到 sox 频谱图的详细信息。)我还在 pcolormesh 中使用了 vmin=-120 和 vmax=0，以匹配 sox 频谱图使用的默认范围。

情节如下:

“ hell ”色彩图并不像红袜图中使用的色彩图那么强烈。请参阅 "Choosing Colormaps in Matplotlib" 上的教程用于替代颜色图。