1
def resample_by_cpu():
2 file_path = input("please input your file path: ")
3 start_time = time()#不影响，可去掉
4 y, sr = torchaudio.load(file_path) #使用torchaudio.load导入音频文件
6 target_sample = 32000 #设定目标采样率
7 resampler = Resample(orig_freq=sr, new_freq=target_sample)#构造resample函数，输入原始采样率和目标采样率
8 resample_misic = resampler(y) #调用resample函数
10 torchaudio.save("test.mp3", resample_misic, target_sample)#调用torchaudio的保存即可
11 print(f"cost :{time() - start_time}s")#不影响，可去掉
最后结果大概是几秒钟这样子
使用使用
torchaudio
进行重采样（gpu版）：
有了上面cpu的基础，其实调用gpu也就更换一下设备，和放入gpu的操作就好了，因此不过多赘述
def resample_use_cuda():
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
start_time = time()
file_path = input("please input your file path:")
y, sr = torchaudio.load(file_path)
y = y.to(device)
target_sample = 32000
resampler = Resample(orig_freq=sr, new_freq=target_sample).to(device)
resample_misic = resampler(y)
torchaudio.save("test.mp3", resample_misic.to('cpu'), target_sample) #这里注意要把结果从gpu中拿出来到cpu，不然会报错。
print(f"cost :{time() - start_time}s")
时间方面嘛，单个音频多了放入gpu取出gpu的步骤肯定会稍慢的，但是跑过cuda都知道它的强大，更多是用于后续的操作说是。
使用librosa库进行重采样
具体步骤：
导入两个库文件，
librosa
和音频文件读写库
soundfile
import librosa
import soundfile as sf
from time import time
导入音频文件
设定目标采样率
综合封装成函数：
1 def resample_by_lisa():
2 file_path = input("please input your file path:")
3 start_time = time()
4 y, sr = librosa.load(file_path) #使用librosa导入音频文件
5 target_sample_rate = 32000
6 y_32k = librosa.resample(y=y, orig_sr=sr, target_sr=target_sample_rate) #使用librosa进行重采样至目标采样率
7 sf.write("test_lisa.mp3", data=y_32k, samplerate=target_sample_rate) #使用soundfile进行文件写入
8 print(f"cost :{time() - start_time}s")
优点，简单小巧，
ibrosa
有很多能处理音频的功能
缺点：无法调用cuda，保存的时候需要依赖
soundfile
库。
时间：也是几秒左右，和
torchaudio
cpu版差不多
小声bb：提取32k的效果好像没有torchaudio好【嘛，毕竟librosa历史有点久了，没有专注深度学习的torch好很正常啦】，你们也可以自己测一下
8
def
resample_by_cpu():
9
file_path = input(
"
please input your file path:
"
)
10
start_time =
time()
11
y, sr = torchaudio.load(file_path)
#
使用torchaudio.load导入音频文件
12
13
target_sample = 32000
#
设定目标采样率
14
resampler = Resample(orig_freq=sr, new_freq=target_sample)
#
构造resample函数，输入原始采样率和目标采样率
15
resample_misic = resampler(y)
#
调用resample函数
16
17
torchaudio.save(
"
test.mp3
"
, resample_misic, target_sample)
#
调用torchaudio的保存即可
18
print
(f
"
cost :{time() - start_time}s
"
)
19
def
resample_use_cuda():
20
21
device = torch.device(
'
cuda
'
if
torch.cuda.is_available()
else
'
cpu
'
)
22
start_time =
time()
23
file_path = input(
"
please input your file path:
"
)
24
y, sr =
torchaudio.load(file_path)
25
26
y =
y.to(device)
27
target_sample = 32000
28
resampler = Resample(orig_freq=sr, new_freq=
target_sample).to(device)
29
resample_misic =
resampler(y)
30
torchaudio.save(
"
test.mp3
"
, resample_misic.to(
'
cpu
'
), target_sample)
31
print
(f
"
cost :{time() - start_time}s
"
)
32
33
def
resample_by_lisa():
34
file_path = input(
"
please input your file path:
"
)
35
start_time =
time()
36
y, sr = librosa.load(file_path)
#
使用librosa导入音频文件
37
target_sample_rate = 32000
38
y_32k = librosa.resample(y=y, orig_sr=sr, target_sr=target_sample_rate)
#
使用librosa进行重采样至目标采样率
39
sf.write(
"
test_lisa.mp3
"
, data=y_32k, samplerate=target_sample_rate)
#
使用soundfile进行文件写入
40
print
(f
"
cost :{time() - start_time}s
"
)
41
42
if
__name__
==
'
__main__
'
:
43
resample_use_cuda()
44
resample_by_cpu()
45
resample_by_lisa()
2.2 提取pitch基频特征【音高提取】
使用
torchaudio
进行基频特征提取
其实主要使用的这个函数：
torchaudio.transforms._transforms.PitchShift
让我们来看看它官方的
example
，仿照着来写就好啦
>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True)
>>> transform = transforms.PitchShift(sample_rate, 4)
>>> waveform_shift = transform(waveform) # (channel, time)
import torchaudio
import torchaudio.transforms as Tf
import matplotlib.pyplot as plt #画图依赖
def get_pitch_by_torch():
file_path = input("file path:")
y, sr = torchaudio.load(file_path)
"""specimen:
>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True)
>>> transform = transforms.PitchShift(sample_rate, 4)
>>> waveform_shift = transform(waveform) # (channel, time)
pitch_tf = Tf.PitchShift(sample_rate=sr, n_steps=0)
feature = pitch_tf(y)
# 绘制基频特征 这部分可以忽略，只是画图而已，可以直接复制不用理解
plt.figure(figsize=(16, 5))
plt.plot(feature[0].numpy(), label='Pitch')
plt.xlabel('Frame')
plt.ylabel('Frequency (Hz)')
plt.title('Pitch Estimation')
plt.legend()
plt.show()
输出图片【总歌曲】效果：
将输出的范围稍微改一下，切分特征的一部分，就是歌曲部分的音高特征啦，效果就很明显了
改为：
plt.plot(feature[0][5000:10000].numpy(), label='Pitch')
使用librosa提取基频特征
提取基频特征
（可选）绘制基频特征
code：
1 def get_pitch_by_librosa():
3 file_path = input("请输入音频文件路径：")
4 y, sr = librosa.load(file_path)
5 """librosa.pyin(y,sr=sr,fmin=librosa.note_to_hz('C2'),fmax=librosa.note_to_hz('C7'))"""
6 # 使用pyin提取基频特征
7 f0, voiced_flag, voiced_probs = librosa.pyin(y, sr=sr, fmin=librosa.note_to_hz('C2'), fmax=librosa.note_to_hz('C7'))
9 # 绘制基频特征,可忽略
10 plt.figure(figsize=(14, 5))
11 librosa.display.waveshow(y, sr=sr, alpha=0.5)
12 plt.plot(librosa.times_like(f0), f0, label='f0 (fundamental frequency)', color='r')
13 plt.xlabel('Time (s)')
14 plt.ylabel('Frequency (Hz)')
15 plt.title('Pitch (fundamental frequency) Estimation')
16 plt.legend()
17 plt.show()
比torchaudio略微麻烦一点，不过多了两个参数
voiced_flag, voiced_probs
，看起来的视觉图好像也有些不一样，不过都是按照官方的这个来了，这也不对的话我也不会了
def
get_pitch_by_torch():
file_path
= input(
"
file path:
"
)
y, sr
=
torchaudio.load(file_path)
"""
specimen:
>>> waveform, sample_rate = torchaudio.load("test.wav", normalize=True)
>>> transform = transforms.PitchShift(sample_rate, 4)
>>> waveform_shift = transform(waveform) # (channel, time)
pitch_tf
= Tf.PitchShift(sample_rate=sr, n_steps=
0)
feature
=
pitch_tf(y)
#
绘制基频特征
plt.figure(figsize=(16, 5
))
plt.plot(feature[0][
5000:10000].numpy(), label=
'
Pitch
'
)
plt.xlabel(
'
Frame
'
)
plt.ylabel(
'
Frequency (Hz)
'
)
plt.title(
'
Pitch Estimation
'
)
plt.legend()
plt.show()
def
get_pitch_by_librosa():
file_path
= input(
"
请输入音频文件路径：
"
)
y, sr
=
librosa.load(file_path)
"""
librosa.pyin(y,sr=sr,fmin=librosa.note_to_hz('C2'),fmax=librosa.note_to_hz('C7'))
"""
#
使用pyin提取基频特征
f0, voiced_flag, voiced_probs = librosa.pyin(y, sr=sr, fmin=librosa.note_to_hz(
'
C2
'
), fmax=librosa.note_to_hz(
'
C7
'
))
#
绘制基频特征,可忽略
plt.figure(figsize=(14, 5
))
librosa.display.waveshow(y, sr
=sr, alpha=0.5
)
plt.plot(librosa.times_like(f0), f0, label
=
'
f0 (fundamental frequency)
'
, color=
'
r
'
)
plt.xlabel(
'
Time (s)
'
)
plt.ylabel(
'
Frequency (Hz)
'
)
plt.title(
'
Pitch (fundamental frequency) Estimation
'
)
plt.legend()
plt.show()
if
__name__
==
'
__main__
'
:
#
get_pitch_by_torch()
#
get_pitch_by_librosa()
后续PPG特征、
vec特征见下一章
