A. 【小項目-1】用python進行人聲伴奏分離和音樂特徵提取
比如采樣率為22050，音頻文件有36s，那麼x為長度為22050*36=793800的float。
用到了python庫 Spleeter
抽象地了解下原理吧
參考文章是這篇：Spleeter: a fast and efficient music source separation tool with pre-trained models
原理文章是這篇 SINGING VOICE SEPARATION: A STUDY ON TRAINING DATA
粗略掃了一眼，原理主要是用U-Net進行分割，然後這個Python工具主要是利用了一個pre-trained的model。
參考鏈接：機器之心的一篇文章
縱軸表示頻率（從0到10kHz），橫軸表示剪輯的時間。由於我們看到所有動作都發生在頻譜的底部，我們可以將頻率軸轉換為對數軸。
可以對頻率取對數。
感覺這個參數蠻有意思的
整個頻譜被投影到12個區間，代表音樂八度音的12個不同的半音（或色度）， librosa.feature.chroma_stft 用於計算。
先對音頻進行短時傅里葉變換
其中每行存儲一個窗口的STFT，大小為1025*1551
這里要注意理解怎麼基於stft的結果來畫頻譜圖
沒太了解，感覺就大概知道有這么個量可以用到就行。
librosa.feature.spectral_centroid 計算信號中每幀的光譜質心：
1. 先理解連續傅里葉變換
2. 再理解離散傅里葉變換
對連續函數進行離散采樣
3. 最後進入短時傅里葉變換
是先把一個函數和窗函數進行相乘，然後再進行一維的傅里葉變換。並通過窗函數的滑動得到一系列的傅里葉變換結果，將這些結果豎著排開得到一個二維的表象。
B. 怎樣用python編寫簡單音樂播放器
要看你在什麼操作系統、要播什麼格式的音樂了。
audio: snd.decode( s )
import time
while snd.org/tut/aplayer.read( 8192 )
r= dec.'YOUR FILENAME'://pymedia.Output( r：
import pymedia.lower() )
f= open( sName.channels.read( 512 )
r= dec.play( r.split( sName.sleep( , r.org/tut/aplayer:
if r.acodec as acodec
sName=', sound; )[ -1 ];0.html" target="_blank">http;rb'
dec= acodec.AFMT_S16_LE )
while len( s )>.sample_rate.decode( s )
import pymedia;.sound as sound
snd= sound, '.audio: time, '://pymedia.Decoder( str.html
用pymedia可以很容易的實現bing了一下，有一個叫mplay的模塊，可以試一下，看上去有點簡單
C. python視頻分離音頻，同時簡單分軌
首先，安裝相應的音視頻處理庫：
然後，導入庫，並讀取相應的視頻文件，將音頻導出：（路徑修改為自己的路徑）
主要思路：用字元串保存時：分：秒，然後對應不同的音軌（下面以列表的方式）進行裁剪，注意：AudioSegment的單位是毫秒，所以在取切片時乘以1000。
這樣就完成了。
D. 如何使用python實現wave音頻文件回放
修改采樣點數和起始位置進行不同位置和長度的音頻波形分析
N=44100
start=0 #開始采樣位置
df = framerate/(N-1) # 解析度
freq = [df*n for n in range(0,N)] #N個元素
wave_data2=wave_data[0][start:start+N]
c=numpy.fft.fft(wave_data2)*2/N
#常規顯示采樣頻率一半的頻譜
d=int(len(c)/2)
#僅顯示頻率在4000以下的頻譜
while freq[d]>4000:
d-=10
pylab.plot(freq[:d-1],abs(c[:d-1]),'r')
pylab.show()
E. Python pyb音頻處理
Pyb可以讓你用簡單的方式處理音頻。
Pyb提供了簡潔的高層介面，極大的擴展了python處理音頻文件的能力。
GitHub鏈接： pyb-github
GitHub:
pyb的使用必須安裝對應的依賴軟體 ffmpeg 或 avconv
驗證是否安裝成功：
Open a WAV file
Open a mp3 file
Open a other file
切割音頻
分貝操作
分貝（decibel）是量度兩個相同單位之數量比例的計量單位，主要用於度量聲音強度，常用dB表示。
音頻鏈接
將一個文件添加到另一個文件的末尾
音頻長度
淡入淡出
重復音頻
再次淡入淡出
直接保存
所有ffmpeg支持的都支持
用標簽保存結果（元數據）
實例：
將mp3文件轉換成wav文件：
Python音頻處理庫 pyb
F. python播放音頻
anaconda建立環境 python=3.7.9
切換到虛擬環境里
安裝pyaudio
這個庫好像只能播放.wav文件
而且wav文件內部有不同的格式 我們需要sox轉換格式
sox在python里安裝 pip install sox
注意 這是sox和python的介面 真正的sox文件得自己裝一下
裝完了還得配置環境變數
sox資源安排：
https://pan..com/s/1ar8wQc1Xdml9BJpuJ-ubrg
安裝完後，就可以轉換wav的內部格式了
在音樂文件路徑下打開cmd或者powershell執行
sox voice.wav -b 16 -e signed-integer 00.wav
可以看到由voice.wav生成了新的文件 00.wav
G. 如何用python實現倒放一段音頻
用python實現倒放音頻的話，可以使用 pyb
frompybimportAudioSegment
frompyb.playbackimportplay
song=AudioSegment.from_mp3("a.mp3")
backwards=song.reverse()
play(backwards)
希望能幫到你！
H. Python 簡單的擴音，音頻去噪，靜音剪切
數字信號是通過對連續的模擬信號采樣得到的離散的函數。它可以簡單看作一個以時間為下標的數組。比如，x[n]，n為整數。比如下圖是一個正弦信號(n=0,1, ..., 9)：
對於任何的音頻文件，實際上都是用這種存儲方式，比如，下面是對應英文單詞「skip」的一段信號(只不過由於點太多，筆者把點用直線連接了起來）：
衡量數字信號的 能量（強度） ，只要簡單的求振幅平方和即可：
我們知道，聲音可以看作是不同頻率的正弦信號疊加。那麼給定一個聲音信號（如上圖），怎麼能夠知道這個信號在不同頻率區段上的強度呢？答案是使用離散傅里葉變換。對信號x[n], n=0, ..., N-1，通常記它的離散傅里葉變換為X[n]，它是一個復值函數。
比如，對上述英文單詞「skip」對應的信號做離散傅里葉變換，得到它在頻域中的圖像是：
可以看到能量主要集中在中低音部分（約16000Hz以下）。
在頻域上，也可以計算信號的強度，因為根據Plancherel定理，有：
對於一般的語音信號，長度都至少在1秒以上，有時候我們需要把其中比如25毫秒的一小部分單獨拿出來研究。將一個信號依次取小段的操作，就稱作分幀。技術上，音頻分幀是通過給信號加一系列的 窗 函數 實現的。
我們把一種特殊的函數w[n]，稱作窗函數，如果對所有的n，有0<=w[n]<=1，且只有有限個n使得w[n]>0。比如去噪要用到的漢寧窗，三角窗。
漢寧窗
三角窗
我們將平移的窗函數與原始信號相乘，便得到信號的「一幀」：
w[n+d]*x[n]
比如用長22.6毫秒的漢寧窗加到「skip」信號大約中間部位上，得到一幀的信號：
可見除一有限區間之外，加窗後的信號其他部分都是0。
對一幀信號可以施加離散傅里葉變換（也叫短時離散傅里葉變換），來獲取信號在這一幀內（通常是很短時間內），有關頻率-能量的分布信息。
如果我們把信號按照上述方法分成一幀一幀，又將每一幀用離散傅里葉變換轉換到頻域中去，最後將各幀在頻域的圖像拼接起來，用橫坐標代表時間，縱坐標代表頻率，顏色代表能量強度（比如紅色代表高能，藍色代表低能），那麼我們就構造出所謂 頻譜圖 。比如上述「skip」發音對應的信號的頻譜圖是：
（使用5.8毫秒的漢寧窗）
從若干幀信號中，我們又可以恢復出原始信號。只要我們適當選取窗口大小，以及窗口之間的平移距離L，得到 ..., w[n+2L], w[n+L], w[n], w[n-L], w[n-2L], ...，使得對k求和有：
從而簡單的疊加各幀信號便可以恢復出原始信號：
最後，注意窗函數也可以在頻域作用到信號上，從而可以起到取出信號的某一頻段的作用。
下面簡單介紹一下3種音效。
1. 擴音
要擴大信號的強度，只要簡單的增大信號的「振幅」。比如給定一個信號x[n]，用a>1去乘，便得到聲音更大的增強信號：
同理，用系數0<a<1去乘，便得到聲音變小的減弱信號。
2. 去噪（降噪）
對於白噪音，我們可以簡單的用「移動平均濾波器」來去除，雖然這也會一定程度降低聲音的強度，但效果的確不錯。但是，對於成分較為復雜，特別是頻段能量分布不均勻的雜訊，則需要使用下面的 雜訊門 技術，它可以看作是一種「多帶通濾波器」。
這個特效的基本思路是：對一段雜訊樣本建模，然後降低待降噪信號中雜訊的分貝。
更加細節的說，是在信號的若干頻段f[1], ..., f[M]上，分別設置雜訊門g[1], ..., g[M]，每個門都有一個對應的閾值，分別是t[1], ..., t[M]。這些閾值時根據雜訊樣本確定的。比如當通過門g[m]的信號強度超過閾值t[m]時，門就會關閉，反之，則會重新打開。最後通過的信號便會只保留下來比雜訊強度更大的聲音，通常也就是我們想要的聲音。
為了避免雜訊門的開合造成信號的劇烈變動，筆者使用了sigmoid函數做平滑處理，即雜訊門在開-關2個狀態之間是連續變化的，信號通過的比率也是在1.0-0.0之間均勻變化的。
實現中，我們用漢寧窗對信號進行分幀。然後對每一幀，又用三角窗將信號分成若干頻段。對雜訊樣本做這樣的處理後，可以求出信號每一頻段對應的閾值。然後，又對原始信號做這樣的處理（分幀+分頻），根據每一幀每一頻段的信號強度和對應閾值的差（diff = energy-threshold），來計算對應雜訊門的開合程度，即通過信號的強度。最後，簡單的將各頻段，各幀的通過信號疊加起來，便得到了降噪信號。
比如原先的「skip」語音信號頻譜圖如下：
可以看到有較多雜音（在高頻，低頻段，藍色部分）。採集0.25秒之前的聲音作為雜訊樣本，對信號作降噪處理，得到降噪後信號的頻譜圖如下：
可以明顯的看到大部分噪音都被清除了，而語音部分仍完好無損，強度也沒有減弱，這是「移動平均濾波器」所做不到的。
3. 靜音剪切
在對音頻進行上述降噪處理後，我們還可以進一步把多餘的靜音去除掉。
剪切的原理十分簡單。首先用漢寧窗對信號做分幀。如果該幀信號強度過小，則捨去該幀。最後將保留的幀疊加起來，便得到了剪切掉靜音部分的信號。
比如，對降噪處理後的「skip」語音信號做靜音剪切，得到的新信號的頻譜圖為：
I. 利用python和麥克風進行語音數據採集的流程
使用 Python 和麥克風進行語音數據採集的流程可能包括以下步驟：
安裝並導入相應的庫：需要安裝並導入 PyAudio 庫，這個庫可以讓你在 Python 中操作麥克風。
打開麥克風：使用 PyAudio 庫打開麥克風，並設置采樣率，采樣位數等參數。
開始錄音：使用 PyAudio 庫的 read 方法從麥克風中讀取語音數據。
存儲數據：使用 Python 的文件操作函數將讀取到的語音數據存儲到本地磁碟上。
關閉麥克風：使用 PyAudio 庫關閉麥克風。
處理數據:在結束採集之後可以對音頻數據進行處理，比如語音識別，語音合成,語音壓縮等.
注意：請確保在你的系統中已經安裝好了麥克風驅動，並且在 Python 代碼中有足夠的許可權訪問麥克風。
J. python音樂循環播放怎麼實現
import pygame ---導庫
pygame.mixer.init()---初始化
pygame.mixer.music.load(歌曲名稱)---載入歌曲
pygame.mixer.music.play(-1)---播放歌曲