3. 音频信号特性

好，咱们进入正题。这一章，我带你亲手摸一摸音频数据长什么样。说白了，就是让你学会用 Python 把音频文件“拆开”，看看里面到底是什么东西。

我个人习惯把音频处理比作“听诊”。你总得先学会怎么拿听诊器，怎么听心跳，才能去诊断问题。Librosa 就是咱们的听诊器。

3.1 Librosa 库的安装与基础环境

安装这事，其实没啥好说的。但我还是想提醒一句：千万别用系统自带的 Python 环境。我刚开始学的时候，直接在系统 Python 里 pip install，结果把系统依赖搞崩了，重装了两次系统……血的教训。

建议你先建一个虚拟环境：

# 创建虚拟环境
python -m venv audio_dsp_env

# 激活（Windows）
audio_dsp_env\Scripts\activate

# 激活（Mac/Linux）
source audio_dsp_env/bin/activate

# 安装核心库
pip install librosa
pip install numpy matplotlib soundfile

装好之后，验证一下：

import librosa
print(librosa.__version__)
# 输出类似：0.10.1

能打印出版本号，说明环境通了。嗯，这一步很简单，但别跳过。

3.2 读取与写入音频文件

音频文件读取，是后续所有操作的基础。Librosa 的 load 函数，干的就是这事。

3.2.1 读取音频文件

import librosa

# 读取音频文件
# 返回两个东西：音频时间序列 y，采样率 sr
y, sr = librosa.load('example.wav', sr=22050)

print(f"音频时长: {len(y)/sr:.2f} 秒")
print(f"采样率: {sr} Hz")
print(f"样本点数: {len(y)}")

这里有个关键参数 sr。默认是 22050 Hz，也就是 Librosa 会把所有音频重采样到这个采样率。为什么是 22050？因为人耳能听到的频率范围大约是 20 Hz ~ 20 kHz，根据奈奎斯特定理，采样率至少要是最高频率的两倍。22050 Hz 刚好能覆盖 20 kHz，而且文件大小适中。

3.2.2 写入音频文件

处理完音频，有时候需要保存结果。Librosa 本身不直接提供写入功能，但可以用 soundfile 库：

import soundfile as sf

# 写入 WAV 文件
sf.write('output.wav', y, sr)

# 写入 FLAC 文件（无损压缩）
sf.write('output.flac', y, sr)

写入时要注意数据类型。默认是 float64，但很多播放器只认 int16。你可以这样转：

import numpy as np

# 转成 int16
y_int16 = (y * 32767).astype(np.int16)
sf.write('output_int16.wav', y_int16, sr)

3.3 音频可视化：波形图与频谱图

光看数字没感觉。你得把音频画出来，一眼就能看出门道。

3.3.1 波形图

波形图就是音频信号的“心电图”。横轴是时间，纵轴是振幅。

import matplotlib.pyplot as plt
import librosa.display

# 读取音频
y, sr = librosa.load('example.wav')

# 绘制波形图
plt.figure(figsize=(12, 4))
librosa.display.waveshow(y, sr=sr)
plt.title('波形图')
plt.xlabel('时间 (秒)')
plt.ylabel('振幅')
plt.tight_layout()
plt.show()

波形图能告诉你什么？

• 静音段：振幅接近 0 的区域
• 瞬态：振幅突然变大的尖峰，比如鼓点、拍手声
• 包络：整体振幅的起伏，能看出声音的“响度轮廓”

我在做语音端点检测时，就是靠波形图先肉眼观察静音段的位置，再写算法去自动检测。说白了，可视化是调试的“眼睛”。

3.3.2 频谱图

波形图只告诉你“响不响”，但没告诉你“是什么频率在响”。频谱图（Spectrogram）补上了这个缺口。

# 计算频谱图
D = librosa.amplitude_to_db(
    np.abs(librosa.stft(y)), 
    ref=np.max
)

# 绘制频谱图
plt.figure(figsize=(12, 6))
librosa.display.specshow(D, sr=sr, x_axis='time', y_axis='hz')
plt.colorbar(format='%+2.0f dB')
plt.title('频谱图')
plt.xlabel('时间 (秒)')
plt.ylabel('频率 (Hz)')
plt.tight_layout()
plt.show()

频谱图里，横轴还是时间，纵轴变成了频率。颜色越亮，表示该频率的能量越强。

你想想看，一段钢琴声和一段吉他声，波形图可能看起来差不多，但频谱图绝对不一样。钢琴的泛音更丰富，频谱上能看到很多等间距的亮线。

3.4 基本特征提取

可视化是给人看的。但机器看不懂图，它需要数字特征。这一节，我带你提取两个最基础的特征：过零率和短时能量。

3.4.1 过零率（Zero Crossing Rate, ZCR）

过零率，说白了就是单位时间内，音频信号穿过零轴的次数。计算公式很简单：

ZCR = (1 / (N-1)) * Σ |sign(x[n]) - sign(x[n-1])|

其中 sign 是符号函数，x[n] 是第 n 个样本点。

Librosa 一行搞定：

# 计算过零率
zcr = librosa.feature.zero_crossing_rate(y)

print(f"过零率形状: {zcr.shape}")
print(f"平均过零率: {zcr.mean():.4f}")

过零率有什么用？

• 区分有声/无声：无声段的过零率通常很低（接近 0），有声段会高一些
• 区分浊音/清音：浊音（元音）过零率低，清音（摩擦音如 /s/）过零率高
• 音乐类型识别：金属乐过零率通常比古典乐高

我记得有一次做语音活动检测（VAD），单纯用能量阈值效果很差，背景噪声一高就误判。后来加上过零率做辅助判断，准确率直接提升了 15%。

3.4.2 短时能量（Short-Time Energy, STE）

短时能量衡量的是某一帧内信号的能量大小。公式：

E = Σ (x[n])²

Librosa 没有直接的短时能量函数，但我们可以自己算：

import numpy as np

# 分帧
frame_length = 2048
hop_length = 512

# 计算每帧能量
energy = np.array([
    np.sum(np.square(y[i:i+frame_length]))
    for i in range(0, len(y) - frame_length, hop_length)
])

# 或者用 Librosa 的 rms（均方根）来算
rms = librosa.feature.rms(y=y, frame_length=frame_length, hop_length=hop_length)
# rms 是均方根，能量 = rms² * frame_length
energy_from_rms = (rms[0] ** 2) * frame_length

print(f"短时能量形状: {energy.shape}")
print(f"最大能量: {energy.max():.4f}")

短时能量的应用场景：

• 端点检测：能量突然上升的地方，往往是语音的开始
• 节拍检测：音乐中鼓点的能量峰值很明显
• 动态范围压缩：根据能量调整增益

3.5 本章知识体系总览

下面这张图，把本章的核心知识点串起来了。你可以把它当作一个“地图”，随时回来对照。

3.6 本章小结

这一章，咱们干了四件事：

1. 装了 Librosa——记住用虚拟环境，别像我一样踩坑
2. 读了写了音频文件——load 和 write 是基本功，采样率参数要留心
3. 画了波形图和频谱图——波形图看“响不响”，频谱图看“是什么频率在响”
4. 提取了过零率和短时能量——两个最基础的特征，但非常实用

这些东西，说白了就是音频 DSP 的“加减乘除”。后面所有的算法——滤波、降噪、特征工程、深度学习——都建立在这些基础操作之上。你把这章的东西练熟了，后面的路就好走了。

嗯，去打开你的 Python 环境，找一段音频文件试试吧。动手才是最好的学习方式。