LPC_for_TTS 基于Levinson-Durbin算法的Python中的梅尔谱图的线性预测系数估计。 基于Levinson-Durbin归纳法来做线性预测系数的估计。 from audio import * import numpy as np from hparams import Hparams as hparams input_wav_file = 'test.wav' sample_rate = 24000 lpc_order = 8 orig_audio , pred_audio , residual , lpcs = lpc_audio ( input_wav_file , lpc_order , hparams ) save_wav ( pred_audio , 'wavs/pred.wav' , hparams ) save_wav ( orig_audio ,

支持画语谱图 （spectrogram），需要用到QT。挺好用的，具有挺好的参考价值

音频 nnAudio是使用PyTorch卷积神经网络作为后端的音频处理工具箱。 这样，可以在神经网络训练过程中从音频动态生成频谱图，并且可以训练傅立叶内核（例如CQT内核）。 也有类似的概念，他们还使用一维卷积神经网络提取基于频谱图。 其他GPU音频处理工具是和 。 但是他们没有使用神经网络方法，因此不能训练傅立叶基础。 作为PyTorch 1.6.0，torchaudio仍然很难在Windows环境下，由于在安装sox 。 由于nnAudio主要依赖PyTorch卷积神经网络，因此它是跨不同操作系统的更兼容的音频处理工具。 nnAudio的名称来自torch.nn 文献资料 与其他图书馆的比较 特征 可训练的 :check_mark_button: :cross_mark: :check_mark_button: :cross_mark: :cross_mark: :check_mark_button: :cross_mark: 可区分的 :check_mark_button: :check_mark_button: :check_mark_b

程序对输入的audio文件进行频谱分析，并绘制其spectrogram。输入文件需为.wav文件

声谱图是数字语音处理的最基本工具之一。 语音文件的声音频谱图是短时对数（或线性）频谱序列的图像映射，其中每个频谱来自对一帧语音的 STFT 分析，后续频谱来自后续的 STFT 分析，在时间上高度重叠，语音帧。 因此，声音频谱图是语音信号持续时间内的语音频谱信息（线性或对数幅度）的二维（图像）图。

全球结构地震损害预测 使用深度学习技术来检测地震后带有铰链/接头的结构中的损坏。 用于训练数据的网络包括：“一维卷积神经网络”，“ LSTM网络”，“使用频谱图的二维卷积神经网络”。 使用连接到铰链/接头的加速度计记录X和Y轴的数据，并使用SAP2000生成地震情况。 可以在以下位置找到用于训练的数据：（请参考数据集的.zip文件。文件夹中的笔记本未更新） 检查数据后，文件“ Data and Discrepancies.txt”描述了数据中每种情况下发现的差异。 请参阅文件“地震损坏检测2数据预处理.ipynb”以处理数据。 请参阅文件“地震破坏预测2-准备I＆O.ipynb”，以准备要馈入网络的数据并生成两个X＆Y轴的频谱图。 有关训练1D CNN和LSTM的信息，请参阅文件“ Earthquake Network Training 3.ipynb”。 随附的笔记本可能还包

用labview编程，DAQ助手进行数据采集，采集振动加速度信号，利用STFT分析

从开源项目gqrx中提取的时频图显示控件。由于原版做的非常棒，可以直接拷贝使用。建议下载本项目后，从github下载最新版的相应文件后覆盖，这样可以一直保持最新。

语音信号的语谱图绘制程序，通过读取wav文件，进行快速傅里叶变换之后绘制出语音信号的频谱图，图像为彩色的。可以用于进行语音信号分析等相关程序，非常不错。