写一段给音频数据时域加噪声的代码

以下是一段给音频数据时域加噪声的 Python 代码，使用了 NumPy 和 SciPy 库：

import numpy as np
from scipy.io import wavfile

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

# 设置噪声强度
noise_scale = 0.1

# 生成噪声信号
noise = np.random.normal(0, 1, len(data))
noise = noise_scale * np.max(data) * noise

# 加噪声
noisy_data = data + noise

# 保存加噪声后的音频文件
wavfile.write('noisy_audio.wav', sampling_rate, noisy_data)

这段代码首先使用 `wavfile.read()` 函数读取音频文件，然后使用 `np.random.normal()` 函数生成与音频数据长度相同的高斯噪声信号，最后将噪声信号加到音频数据上，得到加噪声后的音频数据。可以根据实际需要调整噪声强度，保存加噪声后的音频文件使用 `wavfile.write()` 函数。

相关问题

MATLAB卡尔曼音频降噪代码示例，并绘制时域图 频域图

以下是一个基于 Kalman 滤波的 MATLAB 音频降噪示例代码，同时绘制了原始音频信号、降噪后的音频信号以及它们的时域图和频域图：

% 读取音频文件并进行预处理
[x, fs] = audioread('noisy_audio.wav');
x = x(:, 1); % 取左声道
x = x / max(abs(x)); % 归一化处理

% 定义卡尔曼滤波模型
A = 1;
H = 1;
Q = 0.0001;
R = 0.1;
P = 1;
x0 = 0;

% 对音频信号进行卡尔曼滤波处理
y = zeros(size(x));
for k = 2:length(x)
    [x0, P] = kalman_filter(x(k), x0, P, A, H, Q, R);
    y(k) = x0;
end

% 绘制原始音频信号和降噪后的音频信号的时域图和频域图
t = (0:length(x)-1) / fs;
f = (0:length(x)-1) / length(x) * fs;
X = abs(fft(x));
Y = abs(fft(y));
subplot(2, 2, 1), plot(t, x), xlabel('Time (s)'), ylabel('Amplitude'), title('Original Audio Signal (Time Domain)');
subplot(2, 2, 2), plot(f, X), xlabel('Frequency (Hz)'), ylabel('Magnitude'), title('Original Audio Signal (Frequency Domain)');
subplot(2, 2, 3), plot(t, y), xlabel('Time (s)'), ylabel('Amplitude'), title('Denoised Audio Signal (Time Domain)');
subplot(2, 2, 4), plot(f, Y), xlabel('Frequency (Hz)'), ylabel('Magnitude'), title('Denoised Audio Signal (Frequency Domain)');

% 反归一化和反向量化处理，并保存结果到新的音频文件中
y = y * max(abs(x));
audiowrite('denoised_audio.wav', y, fs);

% 定义 Kalman 滤波函数
function [xk, Pk] = kalman_filter(zk, xk_1, Pk_1, A, H, Q, R)
    xk_ = A * xk_1;
    Pk_ = A * Pk_1 * A' + Q;
    Kk = Pk_ * H' / (H * Pk_ * H' + R);
    xk = xk_ + Kk * (zk - H * xk_);
    Pk = (eye(size(Kk, 1)) - Kk * H) * Pk_;
end

这段代码实现了对一个名为 `noisy_audio.wav` 的音频文件进行降噪处理，并绘制了原始音频信号和降噪后的音频信号的时域图和频域图。其中，时域图表示信号在时间轴上的变化情况，频域图表示信号在频率轴上的变化情况，可以用于观察信号的频率成分和噪声的频谱特征等信息。

需要注意的是，本示例代码中绘制的时域图和频域图仅限于演示用途，实际应用中可能需要更加精细的绘图方式和参数设置，以得到更准确的结果。

用MATLAB写一段通过识别声音频率的方式提取音频中的人声部分的代码

以下是MATLAB代码，使用基于频率域的人声分离算法：

% 读取音频文件
[y,fs] = audioread('audio_file.wav');

% 短时傅里叶变换
win = hamming(round(fs*0.03)); % 30ms 窗口
hop = round(fs*0.015); % 15ms 帧移
nfft = 2^nextpow2(length(win)); % FFT 点数
[S,F,T] = spectrogram(y,win,hop,nfft,fs);

% 计算能量谱
P = abs(S).^2;

% 估计噪声能量谱
noiseP = mean(P(:,1:10),2); % 前 10 帧作为噪声参考

% 估计信号能量谱
signalP = max(P - noiseP, 0);

% 提取人声部分
theta = 5; % 阈值
mask = signalP ./ (signalP + noiseP); % 二值掩码
mask(mask < theta) = 0; % 低于阈值的部分设置为 0
mask(mask >= theta) = 1; % 高于等于阈值的部分设置为 1
voiceP = mask .* signalP; % 人声能量谱

% 合成音频信号
voiceS = voiceP.^(1/2) .* exp(1i*angle(S)); % 人声频谱
voiceY = real(ifft(voiceS,'symmetric')); % 人声时域信号

% 输出音频文件
audiowrite('voice_file.wav',voiceY,fs);

注：此代码仅供参考，具体实现可能需要根据实际情况进行调整。