我的代码是s_output = librosa.effects.pitch_shift(s_input, 44100, n_step=12),当运行时报了这样的错pitch_shift() takes 1 positional argument but 2 positional arguments (and 1 keyword-only argument )were given
时间: 2024-03-03 13:53:00 浏览: 276
这个错误提示说明 `pitch_shift()` 函数只需要一个位置参数,但是你给它传递了两个位置参数。看起来你传递了 `s_input` 和 `44100` 作为两个位置参数,但是 `pitch_shift()` 只需要一个音频信号作为输入。
你可以尝试修改代码,只传递一个位置参数,如下所示:
```python
s_output = librosa.effects.pitch_shift(s_input, n_steps=12)
```
这里只传递了一个 `s_input` 参数,而 `n_steps` 参数使用了关键字参数的方式传递。这应该可以解决你的问题。
相关问题
f0, voiced_flag, voiced_probs = librosa.pyin(y, fmin=librosa.note_to_hz('C2'), fmax=librosa.note_to_hz('C7'))计算原理
librosa.pyin函数是基于基音自适应算法(Pitch-adaptive Fourier decomposition,PAFD)的基音音高估计方法之一。它使用自相关函数(ACF)和差分函数(DF)来识别基音周期,并利用基音周期来计算基音频率。
函数参数中的y是一个长度为N的音频信号,fmin和fmax是基音频率的最小和最大值。函数返回值f0是一个长度为N的一维数组,包含信号中每个时间点的基音频率。voiced_flag是一个布尔类型的一维数组,它指示每个时间点声音是否有基音,其中True表示存在基音,False表示不存在基音。voiced_probs是一个长度为N的一维数组,它指示每个时间点是否存在基音的概率。
该函数的计算过程如下:
1. 对音频信号进行预处理,包括帧化、加窗和差分滤波。
2. 计算每个帧的自相关函数(ACF)和差分函数(DF)。
3. 根据ACF和DF计算每个帧中可能的周期,其中周期的范围由fmin和fmax定义。
4. 使用一个置信度函数来估计每个周期的置信度,以确定每个帧的基音周期。
5. 根据基音周期计算每个帧的基音频率。
6. 根据基音频率和置信度函数,估计每个帧是否有基音以及存在基音的概率。
需要注意的是,该函数的计算结果受到信号质量、信噪比、基音频率范围等因素的影响,因此结果可能存在一定的误差。
# NOISE def noise(data): noise_amp = 0.035*np.random.uniform()*np.amax(data) data = data + noise_amp*np.random.normal(size=data.shape[0]) return data # STRETCH def stretch(data, rate=0.8): return librosa.effects.time_stretch(data, rate) # SHIFT def shift(data): shift_range = int(np.random.uniform(low=-5, high = 5)*1000) return np.roll(data, shift_range) # PITCH def pitch(data, sampling_rate, pitch_factor=0.7): return librosa.effects.pitch_shift(data, sampling_rate, pitch_factor)
这段代码是一个数据增强的函数,包含了四种数据增强方法:噪声、拉伸、移位和音高变化。
- noise:给原始数据添加高斯噪声,通过随机生成的噪声幅度和形状来模拟真实世界中的噪声。
- stretch:对原始数据进行时间拉伸,改变数据的时间轴尺度,增加数据的多样性。
- shift:对原始数据进行位移,将数据在时间轴上平移,增加数据的多样性。
- pitch:对原始数据进行音高变化,改变数据的频率,增加数据的多样性。
这些数据增强方法都可以通过随机生成的参数来模拟不同的变化,从而生成更多的训练数据,提高模型的泛化能力。这些方法在音频处理中应用广泛,可以有效地提高音频分类和识别的性能。
阅读全文