在語音識別領域，比較常用的兩個模塊就是librosa和python_speech_features了。

最近也是在做音樂方向的項目，借此做一下筆記，并記錄一些兩者的差別。下面是兩模塊的官方文檔

直接對比兩文檔就可以看出librosa功能十分強大，涉及到了音頻的特征提取、譜圖分解、譜圖顯示、順序建模、創建音頻等功能，而python_speech_features只涉及了音頻特征提取。就特征提取的實現方法和種類來看，兩者也有所不同。

python_speech_features的特征

支持的特征：

• python_speech_features.mfcc() - 梅爾倒譜系數
• python_speech_features.fbank() - 濾波器組能量
• python_speech_features.logfbank() - 對數濾波器組能量
• python_speech_features.ssc() - 子帶頻譜質心特征

提取mfcc、logfbank特征的方法

from python_speech_features import mfcc
from python_speech_features import logfbank
import scipy.io.wavfile as wav(rate,sig) = wav.read("file.wav")  # 返回信號的采樣率以及信號數組ndarray
mfcc_feat = mfcc(sig,rate)  # 返回一個二維ndarray數組
fbank_feat = logfbank(sig,rate) # 返回一個二維ndarray數組print(fbank_feat[1:3,:])

python_speech_features的比較好用的地方就是自帶預加重參數，只需要設定preemph的值，就可以對語音信號進行預加重，增強高頻信號。

python_speech_features模塊提供的函數

python_speech_features.base.mfcc(signal, samplerate=16000, winlen=0.025, winstep=0.01, numcep=13, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97, ceplifter=22, appendEnergy=True, winfunc=<function <lambda>>)

計算一個音頻信號的MFCC特征

返回： 一個大小為numcep的numpy數組，包含著特征，每一行都包含一個特征向量。

參數：

signal - 需要用來計算特征的音頻信號，應該是一個N*1的數組

samplerate - 我們用來工作的信號的采樣率

winlen - 分析窗口的長度，按秒計，默認0.025s(25ms)

winstep - 連續窗口之間的步長，按秒計，默認0.01s（10ms）

numcep - 倒頻譜返回的數量，默認13

nfilt - 濾波器組的濾波器數量，默認26

nfft - FFT的大小，默認512

lowfreq - 梅爾濾波器的最低邊緣，單位赫茲，默認為0

highfreq - 梅爾濾波器的最高邊緣，單位赫茲，默認為采樣率/2

preemph - 應用預加重過濾器和預加重過濾器的系數，0表示沒有過濾器，默認0.97

ceplifter - 將升降器應用于最終的倒譜系數。 0沒有升降機。默認值為22。

appendEnergy - 如果是true，則將第0個倒譜系數替換為總幀能量的對數。

winfunc - 分析窗口應用于每個框架。 默認情況下不應用任何窗口。 你可以在這里使用numpy窗口函數 例如：winfunc=numpy.hamming

python_speech_features.base.fbank(signal, samplerate=16000, winlen=0.025, winstep=0.01, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97, winfunc=<function <lambda>>)

從一個音頻信號中計算梅爾濾波器能量特征

返回：2個值。第一個是一個包含著特征的大小為nfilt的numpy數組，每一行都有一個特征向量。第二個返回值是每一幀的能量

python_speech_features.base.logfbank(signal, samplerate=16000, winlen=0.025, winstep=0.01, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97)

從一個音頻信號中計算梅爾濾波器能量特征的對數

返回： 一個包含特征的大小為nfilt的numpy數組，每一行都有一個特征向量

python_speech_features.base.ssc(signal, samplerate=16000, winlen=0.025, winstep=0.01, nfilt=26, nfft=512, lowfreq=0, highfreq=None, preemph=0.97, winfunc=<function <lambda>>)

從一個音頻信號中計算子帶頻譜質心特征

返回：一個包含特征的大小為nfilt的numpy數組，每一行都有一個特征向量

librosa的特征提取

librosa的可以提取的特征種類十分豐富

篇幅原因不多介紹

librosa.features.mfcc(y=None,sr=22050,S=None,n_mfcc=20,dct_type=2,norm='ortho',**kwargs)

y, sr = librosa.load('test.wav',offset=30, duration=5)
librosa.feature.mfcc(y=y, sr=sr, n_mfcc=40) # 返回shape=(n_mfcc, timestep)的二維矩陣

librosa.feature.spectral_centroid(y=None,sr=22050,S=None,n_fft=2048,hop_length=512,freq=None)
計算頻譜質心

>>> y, sr = librosa.load('test.wav')
>>> cent = librosa.feature.spectral_centroid(y=y, sr=sr)
>>> cent
array([[ 4382.894,   626.588, ...,  5037.07 ,  5413.398]])

藍調音樂的頻譜質心在頻譜偏中心的位置，金屬音樂在靠后的位置

librosa.feature.zero_crossing_rate(y,frame_length=2048,hop_length=512,center=True,**kwargs)

計算過零率

>>> y, sr = librosa.load('test.wav')
>>> librosa.feature.zero_crossing_rate(y)
array([[ 0.134,  0.139, ...,  0.387,  0.322]])

相對于python_speech_features來說，librosa沒有預加重的處理。或者說librosa提供自定義預加重功能。

預加重的一般傳遞函數為

差分方程實現預加重的方程為