audio - 为什么 librosa 中的情节不同？

Question

我目前正在尝试使用 librosa 来执行 stfft，这样参数类似于来自不同框架 (Kaldi) 的 stfft 进程。

音频文件是 fash-b-an251

Kaldi 使用 16 KHz 的采样频率、window_size = 400 (25ms)、hop_length=160 (10ms) 来实现。

从中提取的频谱图如下所示:


然后我尝试使用 librosa 做同样的事情:

import numpy as np
import sys
import librosa
import os
import scipy
import matplotlib.pyplot as plt
from matplotlib import cm


#   Input parameter
#   relative_path_to_file


if len(sys.argv) < 1:
    print "Missing Arguments!"
    print "python spectogram_librosa.py path_to_audio_file"
    sys.exit()

path = sys.argv[1]
abs_path = os.path.abspath(path)
spectogram_dnn = "/home/user/dnn/spectogram"

if not os.path.exists(spectogram_dnn):
    print "spectogram_dnn folder didn't exist!"
    os.makedirs(spectogram_dnn)
    print "Created!"

y,sr = librosa.load(abs_path,sr=16000)
D = librosa.logamplitude(np.abs(librosa.core.stft(y, win_length=400, hop_length=160, window=scipy.signal.hanning,center=False)), ref_power=np.max)
librosa.display.specshow(D,sr=16000,hop_length=160, x_axis='time', y_axis='log', cmap=cm.jet)
plt.colorbar(format='%+2.0f dB')
plt.title('Log power spectrogram')
plt.show()
raw_input()
sys.exit()

基本上取自 here :

在其中我修改了 stfft 函数，使其适合我的参数..
问题是创造了一个完全不同的情节..



那么.. 我在 librosa 中做错了什么？.. 为什么这个情节与 kaldi 中创建的情节如此不同。

我错过了什么吗？

Answer 1

它与赫兹标度有关。第一个图像中的一个是线性的，而第二个图像中的一个是对数的。您可以通过更改任一图像中的比例以匹配另一个图像来修复它。