基于python的语音信号特征提取。

语音信号的特征提取一般可以分为时域和频域两种方法。下面我将分别介绍一下基于Python的时域和频域特征提取的方法。

1. 时域特征提取

时域特征主要是通过对语音信号的波形进行分析来提取特征。这类特征包括幅度、时域波形、过零率、短时能量等。

幅度：

import scipy.io.wavfile as wav
import numpy as np
import matplotlib.pyplot as plt

# 读取音频文件
rate, data = wav.read('audio.wav')

# 绘制波形图
plt.plot(data)
plt.show()

过零率：

# 计算过零率
def zero_crossing_rate(frame):
    zero_crossings = np.where(np.diff(np.sign(frame)))[0]
    zero_crossing_rate = len(zero_crossings) / len(frame)
    return zero_crossing_rate

短时能量：

# 计算短时能量
def short_time_energy(frame):
    energy = np.sum(np.power(frame, 2))
    return energy

2. 频域特征提取

频域特征主要是通过对语音信号的频谱进行分析来提取特征。这类特征包括功率谱密度、梅尔频率倒谱系数（MFCC）等。

功率谱密度：

import scipy.signal as signal

# 计算功率谱密度
def power_spectrum(signal, fs):
    f, Pxx = signal.welch(signal, fs=fs, nperseg=256)
    return f, Pxx

MFCC：

import librosa

# 计算MFCC
def mfcc(signal, fs):
    mfccs = librosa.feature.mfcc(signal, sr=fs, n_mfcc=13)
    return mfccs

以上是基于Python的时域和频域特征提取的一些常用方法，可以根据具体的需求进行选择。