用python绘制音频频谱图

我目前有几千个音频剪辑，我需要用机器学习进行分类

经过一些挖掘，我发现如果你对音频做一个短时傅立叶变换，它会变成一个二维图像，因此我可以对这些图像使用各种图像分类算法，而不是音频文件本身

为此，我找到了一个进行STFT的工具，我所需要的就是绘制它，这样我就可以得到图像。对于绘图，我发现非常有用

最后，我的代码是这样的：

import stft    
import scipy
import scipy.io.wavfile as wav
import matplotlib.pylab as pylab

def save_stft_image(source_filename, destination_filename):
    fs, audio = wav.read(source_filename)
    X = stft.spectrogram(audio)

    print X.shape    

    fig = pylab.figure()    
    ax = pylab.Axes(fig, [0,0,1,1])    
    ax.set_axis_off()
    fig.add_axes(ax)      
    pylab.imshow(scipy.absolute(X[:][:][0].T), origin='lower', aspect='auto', interpolation='nearest')
    pylab.savefig(destination_filename)

save_stft_image("Example.wav","Example.png")

输出为：

代码可以工作，但是我观察到当执行

print X.shape

行时，我得到

（513L，943L，2L）

。所以结果是三维的。因此，当我只写

X[：][：][0]

或

X[：][：][1]

时，我会得到一个图像

我一直在读STFT的“冗余”，你可以删除一半，因为你不需要它。第三维度是冗余还是我做错了什么？如果是，我如何正确地绘制它

多谢各位

编辑： 因此，新的代码和输出是：

import stft
import os
import scipy
import scipy.io.wavfile as wav
import matplotlib.pylab as pylab

def save_stft_image(source_filename, destination_filename):
    fs, audio = wav.read(source_filename)
    audio = scipy.mean(audio, axis = 1)
    X = stft.spectrogram(audio)

    print X.shape    

    fig = pylab.figure()    
    ax = pylab.Axes(fig, [0,0,1,1])    
    ax.set_axis_off()
    fig.add_axes(ax)      
    pylab.imshow(scipy.absolute(X.T), origin='lower', aspect='auto', interpolation='nearest')
    pylab.savefig(destination_filename)

save_stft_image("Example.wav","Example.png")

---

在左边我看到一列几乎看不见的颜色。我研究的声音是呼吸音，所以它们的频率很低。也许这就是为什么可视化是一个非常薄的颜色列。

您可能有一个立体声音频文件？因此

X[：][：][0]

和

X[：][：][1]

对应于每个频道

您可以通过

scipy.mean（音频，轴=1）

将多声道转换为单声道