简介这份资源面向语音信号处理与人工智能方向的初学者及进阶开发者围绕如何用Python与Jupyter Notebook完成语音特征提取这一核心问题展开。内容涵盖音频加载与预处理、时域波形分析、短时傅立叶变换与频谱图、MFCC提取以及谱熵、过零率、能量、谱峭度等补充特征并演示如何将特征用于语音识别、情感分析等建模任务。压缩包共222个文件约29.87MB以png图表、py脚本、md说明、html文档、ipynb笔记本为主另含wav语音样本、pt模型文件、praat脚本及Sphinx文档构建相关配置结构完整、便于按模块查阅。目前已有198人学习下载。读者可借助Notebook逐步运行代码、观察各阶段输出理解从原始波形到特征向量的完整链路并参考现成脚本与样本快速搭建自己的实验流程为后续机器学习建模打下基础。1. 从语音信号到特征矩阵这套 Notebook 资源到底能跑出什么很多人第一次做语音相关项目卡住的地方不是模型而是「音频进来之后怎么变成模型能吃的数字」。这份从语音信号中提取特征_Jupyter Notebook_Python_下载.zip就是冲着这个环节来的它把librosa加载音频、时域波形、短时傅立叶变换、梅尔滤波器组、MFCC 提取这一整条链路拆成可以在 Jupyter Notebook 里逐格运行的代码。你拿到的不是一篇讲原理的文档而是一套能直接跑、能改参数、能对着输出图调参的实操环境。适合两类人刚入门语音信号处理、想搞懂 MFCC 到底怎么算出来的新手以及做语音识别、情感分析、声纹相关任务需要快速搭一套特征提取基线、又不想从零写工具函数的从业者。压缩包里除了 Notebook还带了disvoice.aux、make.bat、setup.cfg以及一整套 Sphinx 文档构建文件sphinxmanual.cls、sphinxhowto.cls、theme.css、basic.css、pygments.css、badge_only.css说明它原本是一个带文档体系的工程不是随手丢的几个.ipynb。这意味着你既能当学习材料逐格跑也能把它当成一个可扩展的特征提取脚手架往里面塞自己的音频和特征函数。2. 环境搭起来Python、librosa 与 Jupyter Notebook 的版本对齐2.1 为什么这套资源对版本敏感语音特征提取这条链路里librosa是核心但它对numpy、scipy、numba、soundfile的版本相当挑。我见过太多人pip install librosa之后librosa.load直接抛NoBackendError或者librosa.feature.mfcc算出来的系数和教程对不上——十有八九是底层numpy版本和numba缓存打架。这套资源是 Jupyter Notebook 形态意味着你会在浏览器里一格一格执行一旦某个依赖版本不对报错会停在某一格排查起来比脚本更直观但也更容易被「上一格没跑完就跳下一格」这种操作坑到。常见做法是先建独立虚拟环境把librosa和numpy的版本锁在同一个大版本区间内再启动 Notebook。不要用系统全局 Python 直接装否则make.bat里调用的构建工具链可能和你的解释器对不上。2.2 建环境、装依赖、起 Notebook 的完整命令# 1. 建一个干净的虚拟环境Python 3.9~3.11 对 librosa 兼容性最稳 python -m venv venv_speech # 2. 激活环境Windows venv_speech\Scripts\activate # macOS / Linux 用 source venv_speech/bin/activate # 3. 先装数值底座再装 librosa避免依赖解析器乱序 pip install numpy2.0 scipy soundfile pip install librosa matplotlib # 4. 装 Jupyter Notebook 本体 pip install notebook # 5. 在资源解压目录下启动保证 Notebook 能读到同目录的音频和 aux 文件 jupyter notebook这几条命令的顺序是有讲究的。先锁numpy2.0是因为librosa在 0.10.x 阶段对 NumPy 2.0 的 ABI 变更还没完全消化直接装最新版会出现np.complex之类的属性缺失。soundfile单独装是因为librosa.load默认走soundfile后端读音频缺了它就会退回到老的audioread读某些格式的 wav 会慢且不稳。jupyter notebook必须在解压目录下启动因为 Notebook 里的相对路径比如读取示例音频、引用disvoice.aux是相对于启动目录解析的换个目录启动就会FileNotFoundError。2.3 验证环境是否真的可用装完之后别急着跑业务格先在一个新 Notebook 里执行下面这段自检import numpy as np import librosa import matplotlib.pyplot as plt print(numpy:, np.__version__) print(librosa:, librosa.__version__) # 生成一段 1 秒的 440Hz 正弦波采样率 22050 sr 22050 t np.linspace(0, 1, sr, endpointFalse) y 0.5 * np.sin(2 * np.pi * 440 * t) # 直接算 MFCC验证整条链路通不通 mfcc librosa.feature.mfcc(yy, srsr, n_mfcc13) print(mfcc shape:, mfcc.shape) # 期望 (13, 帧数)如果mfcc shape打印出(13, 43)左右帧数随 hop_length 变化说明librosa的 STFT、梅尔滤波器组、DCT 这条链路是通的。如果这里就报错后面所有特征提取都别谈。参数上n_mfcc13是最经典的取值代表取前 13 个倒谱系数sr22050是librosa的默认采样率实际处理你自己的音频时要以librosa.load返回的sr为准不要硬编码。3. 音频加载与预处理load 的返回值、重采样与静音裁剪3.1 load 到底返回了什么librosa.load是整条链路的入口它的返回值决定了后面所有分析的输入形态。默认情况下它返回两个东西y是浮点型时间序列范围大致在[-1, 1]代表归一化后的声压级sr是采样率。关键点在于librosa默认会把音频重采样到 22050Hz并且强制转成单声道。如果你手上的音频是 48kHz 立体声直接 load 会丢掉高频信息并混缩声道——对语音识别通常没问题但做声纹或音乐分析时这就是信息损失。我一般会显式写srNone保留原始采样率或者指定一个和目标模型匹配的采样率避免「默认值玄学」。import librosa import numpy as np # srNone 保留原始采样率monoTrue 强制单声道 y, sr librosa.load(sample.wav, srNone, monoTrue) print(采样率:, sr, 时长(秒):, len(y) / sr) # 如果模型要求 16kHz显式重采样 y_16k librosa.resample(y, orig_srsr, target_sr16000)srNone这个参数新手最容易忽略它直接决定你后面画出来的频谱图频率轴对不对。librosa.resample用的是高质量的带限重采样比简单抽值靠谱但会引入少量延迟做实时任务时要留意。3.2 静音裁剪与预加重真实录音开头结尾往往有大段静音直接送进 STFT 会让能量特征被拉偏。librosa.effects.trim可以按分贝阈值裁掉首尾静音# top_db30 表示低于峰值 30dB 的部分视为静音 y_trim, index librosa.effects.trim(y, top_db30) print(裁剪后时长:, len(y_trim) / sr) # 预加重提升高频补偿语音频谱的 6dB/oct 衰减 y_pre librosa.effects.preemphasis(y_trim, coef0.97)top_db设太小会误裁气声和弱辅音设太大又裁不干净30 是个常用起点。preemphasis的coef0.97是几十年语音处理传下来的经验值作用是让高频共振峰在频谱上更突出对后续 MFCC 有正面影响。注意预加重要在分帧之前做顺序反了效果会打折。3.3 分帧、加窗与短时能量语音是短时平稳信号所以要把长序列切成 20~40ms 的帧。librosa的 STFT 内部会自动分帧但如果你想手动算短时能量和过零率就得自己控制帧长和帧移frame_length 2048 # 约 93ms 22050Hz hop_length 512 # 帧移约 23ms # 短时能量 energy np.array([ np.sum(np.abs(y_pre[i:iframe_length]**2)) for i in range(0, len(y_pre)-frame_length, hop_length) ]) # 短时过零率 zcr librosa.feature.zero_crossing_rate( y_pre, frame_lengthframe_length, hop_lengthhop_length )frame_length和hop_length是这套资源里最需要你根据任务调的参数。帧太长频率分辨率高但时间分辨率低帧太短则相反。语音识别常用 25ms 帧长、10ms 帧移换算到 16kHz 就是 400 和 160。过零率对清音和噪声敏感常和能量配合做端点检测。4. 频域与 MFCCSTFT、梅尔滤波器组到倒谱系数4.1 STFT 与频谱图时域波形看不出频率成分librosa.stft把每帧做傅立叶变换得到复数频谱矩阵D librosa.stft(y_pre, n_fft2048, hop_length512) S_db librosa.amplitude_to_db(np.abs(D), refnp.max) import matplotlib.pyplot as plt librosa.display.specshow(S_db, srsr, hop_length512, x_axistime, y_axishz) plt.colorbar(format%2.0f dB) plt.title(STFT 频谱图) plt.show()n_fft2048决定频率 bin 的数量是 1025 个n_fft/21。amplitude_to_db把幅度转成分贝否则弱频率成分在图上完全看不见。这张图是判断音频质量的第一手材料如果高频一片黑可能是采样率被降过如果全是横条纹可能有工频干扰。4.2 梅尔滤波器组为什么更贴近人耳人耳对低频差异敏感、对高频差异迟钝梅尔刻度就是模拟这个非线性感知。librosa.feature.melspectrogram在 STFT 功率谱上乘一组三角形滤波器把线性频率映射到梅尔频带S librosa.feature.melspectrogram( yy_pre, srsr, n_fft2048, hop_length512, n_mels128, fmin20, fmaxsr//2 ) S_db_mel librosa.power_to_db(S, refnp.max)n_mels128是常见取值做语音识别时 40 或 80 也够用取值越大频率分辨率越细但特征维度越高。fmin20是砍掉直流和极低频噪声fmax一般设到奈奎斯特频率。这一步的输出就是梅尔频谱很多端到端语音模型直接拿它当输入不一定要再算 MFCC。4.3 MFCC 提取与参数含义MFCC 是在梅尔频谱基础上取对数再做离散余弦变换把频带间的相关性去掉留下紧凑的倒谱系数mfcc librosa.feature.mfcc( yy_pre, srsr, n_mfcc13, n_fft2048, hop_length512, n_mels128 ) # 一阶差分delta和二阶差分delta-delta补充动态信息 delta librosa.feature.delta(mfcc) delta2 librosa.feature.delta(mfcc, order2)n_mfcc13是经典配置加上 delta 和 delta2 就是 39 维这是很多传统 GMM-HMM 系统的标准输入。librosa.feature.delta默认用 9 帧窗口做回归窗口大小会影响动态特征的平滑程度。注意 MFCC 的第一维第 0 个系数代表帧能量有些模型会把它去掉只留 1~12 维这个取舍要看你的下游任务。4.4 其他可补的特征除了 MFCC谱熵、谱峭度、谱质心也能提供额外信息。谱质心反映「亮度」谱熵反映频谱的混乱程度cent librosa.feature.spectral_centroid(yy_pre, srsr, hop_length512) entropy -np.sum(np.abs(D)**2 * np.log(np.abs(D)**2 1e-10), axis0)这些特征单独用效果一般但和 MFCC 拼接后送进 SVM 或浅层网络有时能涨一两个点。谱熵计算里的1e-10是防止 log(0) 的后悔药别省。5. 避坑与排查跑这套 Notebook 最容易翻车的五个地方5.1 现象librosa.load报NoBackendError原因soundfile没装或版本和librosa不匹配librosa退回audioread又找不到可用的解码器。解决pip install soundfile如果还不行就pip install --upgrade librosa soundfile确保两者版本兼容。Windows 上有时需要额外装ffmpeg并加入 PATH。5.2 现象MFCC 系数全是 NaN 或数值异常大原因音频里有全零段或y被归一化到超出[-1,1]导致 log 运算出问题。解决load 之后先np.max(np.abs(y))检查幅度必要时用librosa.util.normalize(y)重新归一化对全零帧做保护在 log 前加极小值。5.3 现象Notebook 里上一格没跑完就跳下一格变量未定义原因Jupyter 的执行顺序是手动的变量作用域依赖执行历史。解决养成Kernel - Restart Run All的习惯尤其在改过参数之后。这套资源格子多跳格执行是最高频的翻车点。5.4 现象make.bat或 Sphinx 构建报sphinxmanual.cls找不到原因资源里的文档构建文件依赖 LaTeX 发行版本地没装 TeX Live 或 MiKTeX。解决如果只是跑 Notebook 做特征提取完全可以忽略make.bat和.cls文件要构建文档再单独装 LaTeX别让文档工具链拖住主线。5.5 现象采样率不一致导致频谱图频率轴错位原因librosa.display.specshow的sr参数和实际音频采样率不一致或者 load 时用了默认重采样但画图时传了原始 sr。解决把librosa.load返回的sr一路传下去不要在任何地方硬编码 22050除非你确认音频已经被统一重采样过。6. 把特征送进模型从 39 维向量到可训练矩阵的最后一公里特征提取完真正决定成败的是怎么把它组织成模型能吃的矩阵。MFCC 输出是(n_mfcc, 帧数)而大多数分类器要的是(样本数, 特征维)。常见做法是对时间轴做统计池化——均值、标准差、最大值、最小值各算一遍把变长序列压成定长向量def mfcc_stats(mfcc): feats [] for i in range(mfcc.shape[0]): row mfcc[i] feats.extend([row.mean(), row.std(), row.max(), row.min()]) return np.array(feats) # 假设有 100 条音频每条算 13 维 MFCC 的统计量 X np.array([mfcc_stats(librosa.feature.mfcc( ylibrosa.load(f, sr16000)[0], sr16000, n_mfcc13)) for f in audio_files]) print(训练矩阵:, X.shape) # (100, 52)这样每条音频得到 52 维特征13 系数 × 4 统计量可以直接喂给 SVM、随机森林或浅层全连接网络。如果你要做的是时序模型LSTM、Transformer那就别池化保留(帧数, 特征维)的序列形态用 padding 对齐长度。验证特征有没有提取对我一般会做两件事一是把同一个音频的 MFCC 和梅尔频谱并排画出来看能量分布是否一致二是拿两条内容相同但录音设备不同的音频算它们 MFCC 统计量的余弦相似度如果低于 0.8说明特征对信道太敏感得考虑加倒谱均值归一化CMN# 倒谱均值归一化减掉每条音频 MFCC 的时间均值 mfcc_cmn mfcc - mfcc.mean(axis1, keepdimsTrue)CMN 是抑制信道差异的经典手段代价是丢掉一部分全局能量信息做情感分析时要谨慎因为能量本身可能就是情感线索。从那以后我每次拿到新的语音特征资源都强制先跑一遍「正弦波自检 单条真实音频全链路 统计量形状确认」这三步确认链路通了再批量处理。这套 Notebook 资源的价值就在于它把中间每一步都摊开给你看而不是封装成一个黑匣子函数。希望帮到你。本文还有配套的精品资源点击获取 从语音信号到MFCC特征提取：Jupyter Notebook实战与避坑指南
简介这份资源面向语音信号处理与人工智能方向的初学者及进阶开发者围绕如何用Python与Jupyter Notebook完成语音特征提取这一核心问题展开。内容涵盖音频加载与预处理、时域波形分析、短时傅立叶变换与频谱图、MFCC提取以及谱熵、过零率、能量、谱峭度等补充特征并演示如何将特征用于语音识别、情感分析等建模任务。压缩包共222个文件约29.87MB以png图表、py脚本、md说明、html文档、ipynb笔记本为主另含wav语音样本、pt模型文件、praat脚本及Sphinx文档构建相关配置结构完整、便于按模块查阅。目前已有198人学习下载。读者可借助Notebook逐步运行代码、观察各阶段输出理解从原始波形到特征向量的完整链路并参考现成脚本与样本快速搭建自己的实验流程为后续机器学习建模打下基础。1. 从语音信号到特征矩阵这套 Notebook 资源到底能跑出什么很多人第一次做语音相关项目卡住的地方不是模型而是「音频进来之后怎么变成模型能吃的数字」。这份从语音信号中提取特征_Jupyter Notebook_Python_下载.zip就是冲着这个环节来的它把librosa加载音频、时域波形、短时傅立叶变换、梅尔滤波器组、MFCC 提取这一整条链路拆成可以在 Jupyter Notebook 里逐格运行的代码。你拿到的不是一篇讲原理的文档而是一套能直接跑、能改参数、能对着输出图调参的实操环境。适合两类人刚入门语音信号处理、想搞懂 MFCC 到底怎么算出来的新手以及做语音识别、情感分析、声纹相关任务需要快速搭一套特征提取基线、又不想从零写工具函数的从业者。压缩包里除了 Notebook还带了disvoice.aux、make.bat、setup.cfg以及一整套 Sphinx 文档构建文件sphinxmanual.cls、sphinxhowto.cls、theme.css、basic.css、pygments.css、badge_only.css说明它原本是一个带文档体系的工程不是随手丢的几个.ipynb。这意味着你既能当学习材料逐格跑也能把它当成一个可扩展的特征提取脚手架往里面塞自己的音频和特征函数。2. 环境搭起来Python、librosa 与 Jupyter Notebook 的版本对齐2.1 为什么这套资源对版本敏感语音特征提取这条链路里librosa是核心但它对numpy、scipy、numba、soundfile的版本相当挑。我见过太多人pip install librosa之后librosa.load直接抛NoBackendError或者librosa.feature.mfcc算出来的系数和教程对不上——十有八九是底层numpy版本和numba缓存打架。这套资源是 Jupyter Notebook 形态意味着你会在浏览器里一格一格执行一旦某个依赖版本不对报错会停在某一格排查起来比脚本更直观但也更容易被「上一格没跑完就跳下一格」这种操作坑到。常见做法是先建独立虚拟环境把librosa和numpy的版本锁在同一个大版本区间内再启动 Notebook。不要用系统全局 Python 直接装否则make.bat里调用的构建工具链可能和你的解释器对不上。2.2 建环境、装依赖、起 Notebook 的完整命令# 1. 建一个干净的虚拟环境Python 3.9~3.11 对 librosa 兼容性最稳 python -m venv venv_speech # 2. 激活环境Windows venv_speech\Scripts\activate # macOS / Linux 用 source venv_speech/bin/activate # 3. 先装数值底座再装 librosa避免依赖解析器乱序 pip install numpy2.0 scipy soundfile pip install librosa matplotlib # 4. 装 Jupyter Notebook 本体 pip install notebook # 5. 在资源解压目录下启动保证 Notebook 能读到同目录的音频和 aux 文件 jupyter notebook这几条命令的顺序是有讲究的。先锁numpy2.0是因为librosa在 0.10.x 阶段对 NumPy 2.0 的 ABI 变更还没完全消化直接装最新版会出现np.complex之类的属性缺失。soundfile单独装是因为librosa.load默认走soundfile后端读音频缺了它就会退回到老的audioread读某些格式的 wav 会慢且不稳。jupyter notebook必须在解压目录下启动因为 Notebook 里的相对路径比如读取示例音频、引用disvoice.aux是相对于启动目录解析的换个目录启动就会FileNotFoundError。2.3 验证环境是否真的可用装完之后别急着跑业务格先在一个新 Notebook 里执行下面这段自检import numpy as np import librosa import matplotlib.pyplot as plt print(numpy:, np.__version__) print(librosa:, librosa.__version__) # 生成一段 1 秒的 440Hz 正弦波采样率 22050 sr 22050 t np.linspace(0, 1, sr, endpointFalse) y 0.5 * np.sin(2 * np.pi * 440 * t) # 直接算 MFCC验证整条链路通不通 mfcc librosa.feature.mfcc(yy, srsr, n_mfcc13) print(mfcc shape:, mfcc.shape) # 期望 (13, 帧数)如果mfcc shape打印出(13, 43)左右帧数随 hop_length 变化说明librosa的 STFT、梅尔滤波器组、DCT 这条链路是通的。如果这里就报错后面所有特征提取都别谈。参数上n_mfcc13是最经典的取值代表取前 13 个倒谱系数sr22050是librosa的默认采样率实际处理你自己的音频时要以librosa.load返回的sr为准不要硬编码。3. 音频加载与预处理load 的返回值、重采样与静音裁剪3.1 load 到底返回了什么librosa.load是整条链路的入口它的返回值决定了后面所有分析的输入形态。默认情况下它返回两个东西y是浮点型时间序列范围大致在[-1, 1]代表归一化后的声压级sr是采样率。关键点在于librosa默认会把音频重采样到 22050Hz并且强制转成单声道。如果你手上的音频是 48kHz 立体声直接 load 会丢掉高频信息并混缩声道——对语音识别通常没问题但做声纹或音乐分析时这就是信息损失。我一般会显式写srNone保留原始采样率或者指定一个和目标模型匹配的采样率避免「默认值玄学」。import librosa import numpy as np # srNone 保留原始采样率monoTrue 强制单声道 y, sr librosa.load(sample.wav, srNone, monoTrue) print(采样率:, sr, 时长(秒):, len(y) / sr) # 如果模型要求 16kHz显式重采样 y_16k librosa.resample(y, orig_srsr, target_sr16000)srNone这个参数新手最容易忽略它直接决定你后面画出来的频谱图频率轴对不对。librosa.resample用的是高质量的带限重采样比简单抽值靠谱但会引入少量延迟做实时任务时要留意。3.2 静音裁剪与预加重真实录音开头结尾往往有大段静音直接送进 STFT 会让能量特征被拉偏。librosa.effects.trim可以按分贝阈值裁掉首尾静音# top_db30 表示低于峰值 30dB 的部分视为静音 y_trim, index librosa.effects.trim(y, top_db30) print(裁剪后时长:, len(y_trim) / sr) # 预加重提升高频补偿语音频谱的 6dB/oct 衰减 y_pre librosa.effects.preemphasis(y_trim, coef0.97)top_db设太小会误裁气声和弱辅音设太大又裁不干净30 是个常用起点。preemphasis的coef0.97是几十年语音处理传下来的经验值作用是让高频共振峰在频谱上更突出对后续 MFCC 有正面影响。注意预加重要在分帧之前做顺序反了效果会打折。3.3 分帧、加窗与短时能量语音是短时平稳信号所以要把长序列切成 20~40ms 的帧。librosa的 STFT 内部会自动分帧但如果你想手动算短时能量和过零率就得自己控制帧长和帧移frame_length 2048 # 约 93ms 22050Hz hop_length 512 # 帧移约 23ms # 短时能量 energy np.array([ np.sum(np.abs(y_pre[i:iframe_length]**2)) for i in range(0, len(y_pre)-frame_length, hop_length) ]) # 短时过零率 zcr librosa.feature.zero_crossing_rate( y_pre, frame_lengthframe_length, hop_lengthhop_length )frame_length和hop_length是这套资源里最需要你根据任务调的参数。帧太长频率分辨率高但时间分辨率低帧太短则相反。语音识别常用 25ms 帧长、10ms 帧移换算到 16kHz 就是 400 和 160。过零率对清音和噪声敏感常和能量配合做端点检测。4. 频域与 MFCCSTFT、梅尔滤波器组到倒谱系数4.1 STFT 与频谱图时域波形看不出频率成分librosa.stft把每帧做傅立叶变换得到复数频谱矩阵D librosa.stft(y_pre, n_fft2048, hop_length512) S_db librosa.amplitude_to_db(np.abs(D), refnp.max) import matplotlib.pyplot as plt librosa.display.specshow(S_db, srsr, hop_length512, x_axistime, y_axishz) plt.colorbar(format%2.0f dB) plt.title(STFT 频谱图) plt.show()n_fft2048决定频率 bin 的数量是 1025 个n_fft/21。amplitude_to_db把幅度转成分贝否则弱频率成分在图上完全看不见。这张图是判断音频质量的第一手材料如果高频一片黑可能是采样率被降过如果全是横条纹可能有工频干扰。4.2 梅尔滤波器组为什么更贴近人耳人耳对低频差异敏感、对高频差异迟钝梅尔刻度就是模拟这个非线性感知。librosa.feature.melspectrogram在 STFT 功率谱上乘一组三角形滤波器把线性频率映射到梅尔频带S librosa.feature.melspectrogram( yy_pre, srsr, n_fft2048, hop_length512, n_mels128, fmin20, fmaxsr//2 ) S_db_mel librosa.power_to_db(S, refnp.max)n_mels128是常见取值做语音识别时 40 或 80 也够用取值越大频率分辨率越细但特征维度越高。fmin20是砍掉直流和极低频噪声fmax一般设到奈奎斯特频率。这一步的输出就是梅尔频谱很多端到端语音模型直接拿它当输入不一定要再算 MFCC。4.3 MFCC 提取与参数含义MFCC 是在梅尔频谱基础上取对数再做离散余弦变换把频带间的相关性去掉留下紧凑的倒谱系数mfcc librosa.feature.mfcc( yy_pre, srsr, n_mfcc13, n_fft2048, hop_length512, n_mels128 ) # 一阶差分delta和二阶差分delta-delta补充动态信息 delta librosa.feature.delta(mfcc) delta2 librosa.feature.delta(mfcc, order2)n_mfcc13是经典配置加上 delta 和 delta2 就是 39 维这是很多传统 GMM-HMM 系统的标准输入。librosa.feature.delta默认用 9 帧窗口做回归窗口大小会影响动态特征的平滑程度。注意 MFCC 的第一维第 0 个系数代表帧能量有些模型会把它去掉只留 1~12 维这个取舍要看你的下游任务。4.4 其他可补的特征除了 MFCC谱熵、谱峭度、谱质心也能提供额外信息。谱质心反映「亮度」谱熵反映频谱的混乱程度cent librosa.feature.spectral_centroid(yy_pre, srsr, hop_length512) entropy -np.sum(np.abs(D)**2 * np.log(np.abs(D)**2 1e-10), axis0)这些特征单独用效果一般但和 MFCC 拼接后送进 SVM 或浅层网络有时能涨一两个点。谱熵计算里的1e-10是防止 log(0) 的后悔药别省。5. 避坑与排查跑这套 Notebook 最容易翻车的五个地方5.1 现象librosa.load报NoBackendError原因soundfile没装或版本和librosa不匹配librosa退回audioread又找不到可用的解码器。解决pip install soundfile如果还不行就pip install --upgrade librosa soundfile确保两者版本兼容。Windows 上有时需要额外装ffmpeg并加入 PATH。5.2 现象MFCC 系数全是 NaN 或数值异常大原因音频里有全零段或y被归一化到超出[-1,1]导致 log 运算出问题。解决load 之后先np.max(np.abs(y))检查幅度必要时用librosa.util.normalize(y)重新归一化对全零帧做保护在 log 前加极小值。5.3 现象Notebook 里上一格没跑完就跳下一格变量未定义原因Jupyter 的执行顺序是手动的变量作用域依赖执行历史。解决养成Kernel - Restart Run All的习惯尤其在改过参数之后。这套资源格子多跳格执行是最高频的翻车点。5.4 现象make.bat或 Sphinx 构建报sphinxmanual.cls找不到原因资源里的文档构建文件依赖 LaTeX 发行版本地没装 TeX Live 或 MiKTeX。解决如果只是跑 Notebook 做特征提取完全可以忽略make.bat和.cls文件要构建文档再单独装 LaTeX别让文档工具链拖住主线。5.5 现象采样率不一致导致频谱图频率轴错位原因librosa.display.specshow的sr参数和实际音频采样率不一致或者 load 时用了默认重采样但画图时传了原始 sr。解决把librosa.load返回的sr一路传下去不要在任何地方硬编码 22050除非你确认音频已经被统一重采样过。6. 把特征送进模型从 39 维向量到可训练矩阵的最后一公里特征提取完真正决定成败的是怎么把它组织成模型能吃的矩阵。MFCC 输出是(n_mfcc, 帧数)而大多数分类器要的是(样本数, 特征维)。常见做法是对时间轴做统计池化——均值、标准差、最大值、最小值各算一遍把变长序列压成定长向量def mfcc_stats(mfcc): feats [] for i in range(mfcc.shape[0]): row mfcc[i] feats.extend([row.mean(), row.std(), row.max(), row.min()]) return np.array(feats) # 假设有 100 条音频每条算 13 维 MFCC 的统计量 X np.array([mfcc_stats(librosa.feature.mfcc( ylibrosa.load(f, sr16000)[0], sr16000, n_mfcc13)) for f in audio_files]) print(训练矩阵:, X.shape) # (100, 52)这样每条音频得到 52 维特征13 系数 × 4 统计量可以直接喂给 SVM、随机森林或浅层全连接网络。如果你要做的是时序模型LSTM、Transformer那就别池化保留(帧数, 特征维)的序列形态用 padding 对齐长度。验证特征有没有提取对我一般会做两件事一是把同一个音频的 MFCC 和梅尔频谱并排画出来看能量分布是否一致二是拿两条内容相同但录音设备不同的音频算它们 MFCC 统计量的余弦相似度如果低于 0.8说明特征对信道太敏感得考虑加倒谱均值归一化CMN# 倒谱均值归一化减掉每条音频 MFCC 的时间均值 mfcc_cmn mfcc - mfcc.mean(axis1, keepdimsTrue)CMN 是抑制信道差异的经典手段代价是丢掉一部分全局能量信息做情感分析时要谨慎因为能量本身可能就是情感线索。从那以后我每次拿到新的语音特征资源都强制先跑一遍「正弦波自检 单条真实音频全链路 统计量形状确认」这三步确认链路通了再批量处理。这套 Notebook 资源的价值就在于它把中间每一步都摊开给你看而不是封装成一个黑匣子函数。希望帮到你。本文还有配套的精品资源点击获取