3. 时域与频域分析

好，咱们进入第三章。前两章我们把声音的物理本质和数字化的基本概念捋了一遍。从这章开始，要动真格的了——上手写代码。

你可能会问：「为什么跳过纯数学推导，直接上库？」我的回答是：音频算法工程师的核心能力，不是从零实现一个FFT，而是知道在什么场景下用什么工具，以及出了问题怎么排查。Librosa和SoundFile就是最趁手的两把刀。我个人习惯，拿到任何音频项目，第一件事就是拿这两个库把数据「摸」一遍。

3.1 Librosa库：音频分析的事实标准

Librosa，说白了就是Python生态里做音频分析最主流的库。它封装了从读取音频、提取特征到可视化的一整套流程。我刚开始做语音增强那会儿，还没这库，得自己写wav读取、自己算频谱，那叫一个痛苦。后来Librosa出来，效率直接翻倍。

3.4.1 安装与环境配置

安装很简单，但有个坑我得先告诉你：Librosa的依赖链比较长，尤其是llvmlite和numba这两个，在Windows上容易翻车。我的建议是直接用conda创建虚拟环境，省心。

# 推荐方式：用conda创建干净环境
conda create -n audio_learning python=3.9
conda activate audio_learning

# 安装Librosa（会自动安装numpy, scipy, soundfile等依赖）
pip install librosa

# 验证安装
python -c "import librosa; print(librosa.__version__)"

3.4.2 核心API速览

Librosa的API设计得很直觉。我把它最常用的几个函数整理成了表格，你写代码时可以直接翻回来查。

3.2 SoundFile：读写音频的瑞士军刀

SoundFile这个库，说白了就是底层调用libsndfile的Python封装。它支持的格式比Librosa自带的读写器多得多——FLAC、OGG、WAV、AIFF全都能读写。而且它的接口非常干净，就两个核心函数。

3.2.1 读取音频文件

import soundfile as sf

# 读取音频，返回数据和采样率
data, sr = sf.read('example.wav')

# 读取时指定采样率（自动重采样）
data, sr = sf.read('example.wav', samplerate=16000)

# 只读取部分样本（适合大文件）
data, sr = sf.read('example.wav', start=0, stop=44100)  # 只读第一秒

这里有个细节：sf.read()默认返回的data是float64类型，范围在[-1.0, 1.0]之间。如果你需要整数编码（比如16-bit PCM），可以用dtype='int16'参数。嗯，这个转换我在做TTS数据预处理时经常用到。

3.2.2 写入音频文件

import numpy as np
import soundfile as sf

# 生成一个1秒的440Hz正弦波
sr = 22050
t = np.linspace(0, 1.0, sr, endpoint=False)
sine_wave = 0.5 * np.sin(2 * np.pi * 440 * t)

# 写入文件
sf.write('sine_440.wav', sine_wave, sr)

# 写入时指定子类型（比如16-bit PCM）
sf.write('sine_440_16bit.wav', sine_wave, sr, subtype='PCM_16')

3.3 音频数组的基本操作

音频数据在Python里，本质上就是一个numpy数组。一维是单声道，二维是多声道（shape为[样本数, 声道数]）。所有numpy的数组操作都能直接用。

3.3.1 切片：截取音频片段

import librosa

# 加载音频
y, sr = librosa.load('speech.wav', sr=16000)

# 截取第2秒到第4秒
start_sample = 2 * sr   # 第2秒对应的样本索引
end_sample = 4 * sr     # 第4秒对应的样本索引
segment = y[start_sample:end_sample]

# 截取前0.5秒
first_half_sec = y[:int(0.5 * sr)]

# 截取最后1秒
last_sec = y[-sr:]

切片操作看起来简单，但有个坑：采样率sr的单位是「样本/秒」，所以时间 × sr得到的是样本索引。我见过不少新手直接写y[2:4]，以为截了2秒，结果只截了2个样本——那声音几乎听不见。

3.3.2 拼接：合并多个音频

import numpy as np

# 假设有两个音频片段
part1, sr = librosa.load('part1.wav', sr=16000)
part2, sr = librosa.load('part2.wav', sr=16000)

# 时间维度的拼接（前后接起来）
combined = np.concatenate([part1, part2])

# 声道维度的拼接（左右声道合并）
# 要求两个数组长度相同
stereo = np.column_stack([part1, part2])

# 混音（叠加）
# 要求两个数组长度相同
mixed = (part1 + part2) / 2  # 除以2防止削波

3.3.3 归一化：统一音量尺度

归一化是音频预处理里最基础也最重要的操作。不同录音设备的音量差异可能很大，归一化能保证后续特征提取的一致性。

import numpy as np

def normalize_peak(y):
    """峰值归一化：将最大振幅映射到±1"""
    max_val = np.max(np.abs(y))
    if max_val == 0:
        return y
    return y / max_val

def normalize_rms(y, target_dB=-20):
    """RMS归一化：将均方根值调整到目标分贝"""
    target_rms = 10 ** (target_dB / 20)
    current_rms = np.sqrt(np.mean(y ** 2))
    if current_rms == 0:
        return y
    return y * (target_rms / current_rms)

# 使用示例
y, sr = librosa.load('loud_speech.wav', sr=16000)
y_peak_norm = normalize_peak(y)
y_rms_norm = normalize_rms(y, target_dB=-23)  # 广播标准通常用-23dB

峰值归一化和RMS归一化有什么区别？我简单解释一下：峰值归一化只看最大绝对值，适合防止削波；RMS归一化看整体能量，适合让不同音频听起来音量一致。在语音合成数据预处理中，我几乎只用RMS归一化，因为峰值归一化对背景噪声太敏感了——一段安静但有突发噪音的音频，峰值归一化会把整体音量压得很低。

3.4 本章知识体系

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操作地图：拿到音频文件后，先走哪条路，再走哪条路。

3.5 实战：完整的音频预处理流水线

最后，我把本章所有知识点串成一个完整的脚本。你可以直接拿它处理任意音频文件。

import soundfile as sf
import numpy as np
import librosa

def preprocess_audio(input_path, output_path, target_sr=16000, target_dB=-23):
    """
    完整的音频预处理流水线
    步骤：读取 → 重采样 → 归一化 → 静音切除 → 保存
    """
    # 1. 读取音频（自动重采样到target_sr）
    y, sr = sf.read(input_path, samplerate=target_sr)
    print(f"原始采样率：{sr}，时长：{len(y)/sr:.2f}秒")

    # 2. 如果是多声道，转为单声道（取平均）
    if y.ndim > 1:
        y = np.mean(y, axis=1)
        print("已转为单声道")

    # 3. RMS归一化到目标分贝
    target_rms = 10 ** (target_dB / 20)
    current_rms = np.sqrt(np.mean(y ** 2))
    if current_rms > 0:
        y = y * (target_rms / current_rms)
    print(f"归一化完成，目标RMS：{target_dB}dB")

    # 4. 静音切除（Librosa的split方法）
    # 返回的是非静音片段的起止索引
    non_silent_intervals = librosa.effects.split(y, top_db=30)
    if len(non_silent_intervals) > 0:
        # 把所有非静音片段拼接起来
        y_trimmed = np.concatenate([y[start:end] for start, end in non_silent_intervals])
        print(f"静音切除后时长：{len(y_trimmed)/sr:.2f}秒")
    else:
        y_trimmed = y
        print("未检测到静音，保留原音频")

    # 5. 保存处理后的音频
    sf.write(output_path, y_trimmed, sr, subtype='PCM_16')
    print(f"处理完成，保存至：{output_path}")

    return y_trimmed, sr

# 使用示例
if __name__ == "__main__":
    processed_audio, sr = preprocess_audio(
        input_path='raw_recording.wav',
        output_path='processed_speech.wav',
        target_sr=16000,
        target_dB=-23
    )