在 scipy 中重现 sox 频谱图

例如，我有一个带有语音的 wav 文件。

我可以使用 sox 创建漂亮的频谱图可视化：

wget https://google.github.io/tacotron/publications/tacotron2/demos/romance_gt.wav
sox romance_gt.wav -n spectrogram -o spectrogram.png

我怎样才能在Python中重现这个频谱图？

这是使用的示例scipy.signal.spectrogram

input_file = 'temp/romance_gt.wav'
fs, x = wavfile.read(input_file)
print('fs', fs)
print('x.shape', x.shape)

f, t, Sxx = signal.spectrogram(x, fs)
print('f.shape', f.shape)
print('t.shape', t.shape)
print('Sxx.shape', Sxx.shape)
plt.pcolormesh(t, f, Sxx)
plt.ylabel('Frequency [Hz]')
plt.xlabel('Time [sec]')
plt.savefig('spectrogram_scipy.png')

But looks like some parameters are bad or something is broken:

请注意 sox 生成的图中颜色条的比例。单位是dBFS：相对于满量程的分贝。要使用 SciPy 和 Matplotlib 重现该图，您需要缩放这些值以使最大值为 1，然后取这些值的对数以转换为 dB。

这是脚本的修改版本，其中包括对参数的各种调整spectrogram and pcolormesh创建一个类似于 sox 输出的图。

import numpy as np
from scipy.io import wavfile
from scipy import signal
import matplotlib.pyplot as plt

input_file = 'romance_gt.wav'
fs, x = wavfile.read(input_file)
print('fs', fs)
print('x.shape', x.shape)

nperseg = 1025
noverlap = nperseg - 1
f, t, Sxx = signal.spectrogram(x, fs,
                               nperseg=nperseg,
                               noverlap=noverlap,
                               window='hann')
print('f.shape', f.shape)
print('t.shape', t.shape)
print('Sxx.shape', Sxx.shape)
plt.pcolormesh(1000*t, f/1000, 10*np.log10(Sxx/Sxx.max()),
               vmin=-120, vmax=0, cmap='inferno')
plt.ylabel('Frequency [kHz]')
plt.xlabel('Time [ms]')
plt.colorbar()
plt.savefig('spectrogram_scipy.png')

我分了Sxx by Sxx.max()考虑 dBFS 的“全面”方面。我调整了nperseg and noverlap的论点spectrogram沿频率和时间轴提供高于默认值的分辨率。我用了window='hann'以匹配 sox 的默认行为。 （您可以在以下位置找到 sox 频谱图的详细信息：http://sox.sourceforge.net/sox.html.）我也用过vmin=-120 and vmax=0 in pcolormesh，以匹配 sox 频谱图使用的默认范围。

情节如下：

“地狱”色彩图并不像红袜图中使用的色彩图那么强烈。请参阅教程“在 Matplotlib 中选择颜色图”用于替代颜色图。