Используйте Azure ML для анализа спектра звука.
предпосылки
- Учетная запись Azure
- Рабочая область машинного обучения Azure
- Хранилище Azure
- Образец аудиофайла
- Используемый аудиофайл является образцом, который я получил из Интернета.
- графики только образцы
Код
- Прочитать аудиофайл
from scipy.io import wavfile # scipy library to read wav files import numpy as np
AudioName = "input.wav" # Audio File fs, Audiodata = wavfile.read(AudioName)
- построить вывод
# Plot the audio signal in time
import matplotlib.pyplot as plt
plt.plot(Audiodata)
plt.title('Audio signal in time',size=16)
- теперь спектральный анализ
# spectrum
from scipy.fftpack import fft # fourier transform
n = len(Audiodata)
AudioFreq = fft(Audiodata)
AudioFreq = AudioFreq[0:int(np.ceil((n+1)/2.0))] #Half of the spectrum
MagFreq = np.abs(AudioFreq) # Magnitude
MagFreq = MagFreq / float(n)
# power spectrum
MagFreq = MagFreq**2
if n % 2 > 0: # ffte odd
MagFreq[1:len(MagFreq)] = MagFreq[1:len(MagFreq)] * 2
else:# fft even
MagFreq[1:len(MagFreq) -1] = MagFreq[1:len(MagFreq) - 1] * 2
- построить вывод
plt.figure()
freqAxis = np.arange(0,int(np.ceil((n+1)/2.0)), 1.0) * (fs / n);
plt.plot(freqAxis/1000.0, 10*np.log10(MagFreq)) #Power spectrum
plt.xlabel('Frequency (kHz)'); plt.ylabel('Power spectrum (dB)');
- теперь проанализируйте частоту
from scipy.fft import fft, fftfreq
yf = fft(Audiodata) xf = fftfreq(n, 1 / SAMPLE_RATE)
plt.plot(xf, np.abs(yf)) plt.show()
- Обратная частота
from scipy.fft import irfft
new_sig = irfft(yf)
plt.plot(new_sig[:1000]) plt.show()
- Теперь частотный фильтр и спектральный анализ
mag_spectrum = np.abs(AudioFreq)
plt.figure(figsize=(18,5))
frequency = np.linspace(0, SAMPLE_RATE, len(mag_spectrum))
num_frequency_bins = int(len(frequency) * 0.1)
plt.plot(frequency[:num_frequency_bins], mag_spectrum[:num_frequency_bins])
plt.xlabel("Frequency (hz)")
plt.ylabel("Sawblade")
plt.show()
Первоначально опубликовано на https://github.com.