Question

要快速获得对不同体裁乐曲的印象，一个比较便捷的方式是，画出某类音乐的声谱图。声谱图是音频的一个可视化表示方式。它在特定时间段（x 轴）内显示出音频的强度（y 轴）；这是说，在歌曲的某个时间窗内，颜色越深，频率越强。

Matplotlib提供了一个方便的函数specgram() ，可以处理大部分后台计算，并把它们画出来：

>>> import scipy >>> from matplotlib.pyplot import specgram >>> sample_rate, X = scipy.io.wavfile.read(wave_filename) >>> print sample_rate, X.shape 22050, (661794,) >>> specgram(X, Fs=sample_rate, xextent=(0,30))

我们刚刚读取的波形文件是以22 050 Hz的频率抽样的，一共包含了661 794个样本。

如果把各式各样的波形文件的前30秒用声谱图画出来，那么就会看到同一体裁乐曲之间的共性，见下图。

稍微浏览一下，我们立刻就可以找出金属音乐和古典音乐在声谱图里的差别。金属音乐在大多数频谱里都有一个很高的强度（有活力！），而古典音乐会随着时间显示出更加多样的模式。

这些数据应该能够训练出一个分类器，至少可以以足够高的准确率区分出金属音乐和古典音乐。而其他两两体裁之间，例如乡村和摇滚，却给我们提出了更大的挑战。对我们而言，这是一个真正的挑战，因为我们要区分的不是两个类别，而是6个。我们需要很好地区分出所有这6个类别才行。

将音乐分解成正弦波形成分

我们的计划是从原始样本中（储存在X里）提取频率强度，并把它传进分类器。这些频率强度可以通过快速傅里叶变换 （Fast Fourier Transform，FFT）得到。由于FFT背后的理论已经超出本章的讨论范围，所以我们只看一个例子，对它所做的事情有一个直观认识即可。之后，我们会把它当做一个黑盒式的特征提取器。

例如，我们生成两个波形文件：sine_a.wav 和sine_b.wav ，它们分别包含400 Hz和3000 Hz正弦波形的声音。之前提到的那个瑞士军刀sox，就是达到这个目标的一种方式：

$ sox --null -r 22050 sine_a.wav synth 0.2 sine 400 $ sox --null -r 22050 sine_b.wav synth 0.2 sine 3000

下面这个图表显示了前0.008秒的形状。同时我们也看到这个正弦波形的FFT。毫不奇怪，我们在对应的正弦波形下面可以看到400 Hz和3000Hz的峰值。

现在让我们把它们混合起来，得到具有3000 Hz声音一半音量的400 Hz声音：

$ sox --combine mix --volume 1 sine_b.wav --volume 0.5 sine_a.wav sine_mix.wav

我们可以在合成声音的FFT图形上看到两个峰值，其中3000 Hz峰值的大小几乎是400 Hz峰值的两倍：

对于真实音乐，我们很快就可以看到，FFT的形状并不像在前面那个简单例子中那样漂亮：