python CQT谱

### Python 实现 CQT（恒 Q 变换）谱

为了计算恒定-Q变换（CQT），可以利用 `audioflux` 库中的功能来处理音频文件并提取特征。下面展示了如何通过该库读入音频数据，并执行恒定-Q变换以获得相应的频谱图。

#### 导入库与准备环境
首先安装所需的包，如果尚未安装的话：

pip install audioflux numpy matplotlib

接着导入必要的模块，并加载待分析的音频样本：

import audioflux as af
import numpy as np
import matplotlib.pyplot as plt

#### 加载音频文件
指定要分析的具体音频路径，并调用 `af.read()` 函数将其转换成适合进一步处理的形式：

# 读取音频
audio_path = 'path/to/your/audio/file.wav'
audio_arr, sr = af.read(audio_path)

#### 执行恒定-Q变换 (CQT)

使用 `audioflux.cqt()` 方法来进行恒定-Q变换操作，这会返回一个二维数组形式的结果，其中每一列代表时间轴上的某个时刻对应的频率响应向量：

# 计算常数Q变换
cqt_spec = af.cqt(audio_arr, sr=sr)
print(f"CQT shape: {cqt_spec.shape}")

上述代码片段将会打印出所得到的 CQT 频谱矩阵尺寸大小[^1]。

#### 绘制结果可视化图像
最后可以通过 Matplotlib 来展示这些信息以便更直观地理解所得的数据结构：

plt.figure(figsize=(8, 6))
librosa.display.specshow(
    librosa.amplitude_to_db(np.abs(cqt_spec), ref=np.max),
    sr=sr,
    x_axis='time',
    y_axis='log',  # 对应于不同八度内的音高位置
)
plt.colorbar(format='%+2.0f dB')
plt.title('Constant-Q Transform Spectrogram')
plt.tight_layout()
plt.show()

需要注意的是，在绘制图形部分引入了 LibROSA 的绘图工具辅助显示效果更好看一些；不过核心运算还是依赖 AudioFlux 完成。