1. 从一段声音的“模样”说起
做语音分析，无论是做语音识别、情感计算，还是简单的音频质量检查，第一步往往不是直接上复杂的模型，而是“看”。看什么？看声音长什么样。这听起来有点玄乎，声音是听的，怎么“看”？没错，在数字信号处理的世界里，声音被采样成一串串数字，我们可以用图形化的方式，直观地“看到”它的形态、能量分布和频率成分。这就是波形图和语谱图的价值——它们是音频数据的“X光片”和“CT扫描图”。
很多朋友一上来就想跑通一个深度学习模型，结果模型效果不好，却不知道问题可能出在最原始的音频数据上：是不是录音有噪声？是不是说话人声音忽大忽小？是不是有异常的静音段？这些信息，一张清晰的波形图和语谱图能给你最直接的答案。用Python来做这件事，librosa库几乎是行业标准，它封装了音频处理中那些繁琐的数学计算，让我们能专注于分析和可视化本身。
今天，我们就从最基础的“看图”开始，聊聊怎么用Python和librosa画出既专业又美观的波形图和语谱图。这不仅仅是调用几个API，更重要的是理解图形背后的含义，以及如何通过调整参数，让这些图真正成为你分析问题的利器，而不是一堆花花绿绿却无用的像素。
2. 环境搭建与核心工具选型
工欲善其事，必先利其器。在开始画图之前，我们需要一个稳定、功能齐全的Python环境。对于音频处理这类科学计算任务，我强烈建议使用Anaconda来管理你的Python环境。它能很好地解决包依赖冲突的问题，特别是涉及到一些需要编译的底层库时。
2.1 创建专属的音频分析环境
打开你的终端（Windows上是Anaconda Prompt，macOS/Linux是终端），执行以下命令来创建一个新的、干净的虚拟环境：
conda create -n audio_analysis python=3.9这里我选择了Python 3.9，这是一个在稳定性和库兼容性之间取得很好平衡的版本。新版本如3.11、3.12固然好，但一些科学计算库的预编译轮子可能更新不及时，容易遇到安装问题。对于生产或长期项目，求稳是关键。
创建完成后，激活这个环境：
conda activate audio_analysis你会看到命令行提示符前面变成了(audio_analysis)，这表示你已经进入了这个独立的环境。
2.2 安装核心三件套：Librosa, Matplotlib, NumPy
接下来安装我们最核心的三个库。我推荐使用pip安装，因为conda通道里的版本有时会滞后。
pip install librosa matplotlib numpy- Librosa (
librosa): 今天的主角。它不仅是加载、播放音频的工具，更提供了计算短时傅里叶变换（STFT）、梅尔频谱等核心功能的函数，是我们生成语谱图数据的基础。 - Matplotlib (
matplotlib): Python绘图的事实标准。我们将用它来绘制和美化我们的波形图与语谱图。虽然librosa自带简单的显示函数（如librosa.display.waveshow），但功能比较基础，想要高度定制化的、出版级质量的图，必须深入使用matplotlib。 - NumPy (
numpy): 几乎所有科学计算库的基石。librosa加载的音频数据就是numpy数组。理解numpy的数组操作对于后续的音频数据处理至关重要。
注意：首次安装
librosa时，可能会因为依赖项（如soundfile用于读写音频，numba用于加速）的编译而稍慢一些，这是正常的。如果遇到网络问题，可以考虑使用国内的镜像源，例如清华源：pip install librosa matplotlib numpy -i https://pypi.tuna.tsinghua.edu.cn/simple。
2.3 可选但推荐的“颜值”提升包
如果你希望图表看起来更现代、更美观，可以安装seaborn和SciencePlots库。
pip install seaborn scienceplots- Seaborn (
seaborn): 基于matplotlib的统计图形库。它提供了一套更高级的绘图接口和更美观的默认样式。即使我们不直接用它绘图，仅仅导入它（import seaborn as sns）也能全局美化matplotlib的图表样式。 - SciencePlots (
scienceplots): 一个专门为学术论文绘制提供matplotlib样式的库。它内置了诸如science、ieee等样式，能一键让你的图表拥有期刊论文的范儿，非常适合需要报告或论文输出的场景。
安装完成后，你可以通过一个简单的脚本来测试环境是否正常：
import librosa import matplotlib.pyplot as plt import numpy as np print(f"Librosa version: {librosa.__version__}") print(f"Matplotlib version: {plt.matplotlib.__version__}") print(f"NumPy version: {np.__version__}") # 尝试生成一个简单的正弦波并绘图 sr = 22050 # 采样率 t = np.linspace(0, 1, sr) # 1秒时间轴 y = 0.5 * np.sin(2 * np.pi * 440 * t) # 440Hz的A音 plt.figure(figsize=(10, 4)) plt.plot(t[:1000], y[:1000]) # 只画前1000个点看看 plt.title("Test: 440Hz Sine Wave") plt.xlabel("Time [s]") plt.ylabel("Amplitude") plt.tight_layout() plt.show()如果这段代码能正常运行并弹出一个显示正弦波的窗口，那么恭喜你，环境准备就绪。
3. 波形图：声音振幅的时空画卷
波形图是我们最熟悉的音频可视化形式，它横轴是时间，纵轴是振幅（可以粗略理解为声音的“响度”或气压变化）。绘制一个“能看”的波形图很简单，但绘制一个“好看且信息量大”的波形图，则需要一些技巧。
3.1 基础绘制与关键参数解析
首先，我们加载一段示例音频。librosa自带了一些示例音频，方便我们测试。
import librosa import librosa.display import matplotlib.pyplot as plt import numpy as np # 使用librosa自带的示例音频 file_path = librosa.ex('trumpet') y, sr = librosa.load(file_path, sr=None) # sr=None表示保持原始采样率 print(f"音频长度: {len(y)} 个样本点") print(f"采样率: {sr} Hz") print(f"持续时间: {librosa.get_duration(y=y, sr=sr):.2f} 秒")现在，我们来绘制最基础的波形图。
plt.figure(figsize=(12, 4)) librosa.display.waveshow(y, sr=sr) plt.title('Basic Waveform Plot - Trumpet Example') plt.xlabel('Time [s]') plt.ylabel('Amplitude') plt.tight_layout() plt.show()librosa.display.waveshow是librosa提供的便捷函数。但如果你想获得更多的控制权，我建议直接使用matplotlib的plot函数，因为你可以更精细地控制线条样式、颜色和缩放。
# 方法二：使用matplotlib直接绘制，控制力更强 time = np.arange(len(y)) / sr # 构造时间轴，单位秒 plt.figure(figsize=(12, 4)) plt.plot(time, y, linewidth=0.5, alpha=0.8, color='steelblue') plt.title('Waveform Plot with Matplotlib (Customized)') plt.xlabel('Time [s]') plt.ylabel('Amplitude') plt.xlim([0, time[-1]]) # 确保x轴范围正确 plt.grid(True, linestyle='--', alpha=0.5) plt.tight_layout() plt.show()这里有几个关键参数决定了图的美观度和可读性：
figsize=(12, 4): 图的尺寸。宽高比很重要，对于波形图，宽度通常是高度的3倍左右，以便在时间轴上展开细节。linewidth=0.5: 线条宽度。对于长时间、高采样率的音频，线条太粗（如默认的1.5）会导致图形糊成一团，看不清细节。0.5-1是比较好的选择。alpha=0.8: 透明度。让线条看起来不那么生硬，当波形重叠时也能有一定区分度。color='steelblue': 颜色。选择一种视觉上舒适、且在黑白打印时也能有较好对比度的颜色。steelblue,darkorange,forestgreen都是不错的选择。xlim: 限制x轴范围。如果你想聚焦于音频的某一段（例如前3秒），可以设置为plt.xlim([0, 3])。
3.2 处理长音频：自适应缩放与峰值标记
当我们处理很长的音频（比如几分钟的演讲或音乐）时，把整个波形画在一张图上会失去所有细节，看起来就是一条实心的色块。这时候需要策略。
策略一：绘制全局概览+局部细节这是最实用的方法。用一张小图显示整体能量轮廓，再用一张大图显示你感兴趣的片段。
# 假设我们有一份较长的音频（这里用示例音频重复拼接模拟） y_long = np.tile(y, 5) # 将小号示例重复5次 time_long = np.arange(len(y_long)) / sr segment_start, segment_duration = 1.5, 0.5 # 查看从1.5秒开始，持续0.5秒的片段 segment_samples = int(segment_duration * sr) idx_start = int(segment_start * sr) fig, ax = plt.subplots(2, 1, figsize=(14, 6), gridspec_kw={'height_ratios': [1, 2]}) # 子图1：全局概览 ax[0].plot(time_long, y_long, linewidth=0.2, alpha=0.7, color='gray') ax[0].axvspan(segment_start, segment_start+segment_duration, color='orange', alpha=0.3) # 高亮感兴趣区域 ax[0].set_title('Global Waveform Overview (Highlighted Segment)') ax[0].set_ylabel('Amplitude') ax[0].grid(True, linestyle='--', alpha=0.3) # 子图2：局部细节 ax[1].plot(time_long[idx_start:idx_start+segment_samples], y_long[idx_start:idx_start+segment_samples], linewidth=1, color='steelblue') ax[1].fill_between(time_long[idx_start:idx_start+segment_samples], y_long[idx_start:idx_start+segment_samples], color='steelblue', alpha=0.3) # 填充波形下方，增强视觉 ax[1].set_title(f'Detailed Waveform from {segment_start}s to {segment_start+segment_duration}s') ax[1].set_xlabel('Time [s]') ax[1].set_ylabel('Amplitude') ax[1].grid(True, linestyle='--', alpha=0.5) plt.tight_layout() plt.show()策略二：标记关键点我们经常需要关注波形的峰值（最大振幅点）、过零点（Zero-Crossing Rate， ZCR，与清浊音相关）等。
# 计算峰值位置 peak_indices = librosa.util.peak_pick(y, pre_max=10, post_max=10, pre_avg=10, post_avg=10, delta=0.5, wait=10) peak_times = librosa.frames_to_time(peak_indices, sr=sr) peak_amplitudes = y[peak_indices] # 计算短时过零率（简化版，仅作示意） frame_length = 1024 hop_length = 512 zcr = librosa.feature.zero_crossing_rate(y, frame_length=frame_length, hop_length=hop_length)[0] zcr_times = librosa.frames_to_time(np.arange(len(zcr)), sr=sr, hop_length=hop_length) fig, ax = plt.subplots(2, 1, figsize=(14, 7)) # 子图1：波形与峰值 ax[0].plot(time, y, linewidth=0.5, alpha=0.6, color='gray', label='Waveform') ax[0].scatter(peak_times, peak_amplitudes, color='red', s=20, zorder=5, label='Peaks') ax[0].set_title('Waveform with Peak Detection') ax[0].set_ylabel('Amplitude') ax[0].legend() ax[0].grid(True, linestyle='--', alpha=0.3) # 子图2：过零率 ax[1].plot(zcr_times, zcr, color='green', linewidth=1.5) ax[1].set_title('Short-Time Zero-Crossing Rate (ZCR)') ax[1].set_xlabel('Time [s]') ax[1].set_ylabel('ZCR') ax[1].grid(True, linestyle='--', alpha=0.3) plt.tight_layout() plt.show()实操心得：绘制长音频波形时，
linewidth一定要调小（如0.1-0.3），否则图形会变成实心块，完全无法分辨。另外，alpha透明度也可以帮助在重叠区域看到更多信息。对于峰值标记，librosa.util.peak_pick的参数（如delta,wait）需要根据你的音频特性调整，它决定了多高的峰、间隔多远的峰才会被选中。
4. 语谱图：声音频率成分的时间演化
如果说波形图是声音的“外貌”，那么语谱图（Spectrogram）就是它的“声纹”。它将声音信号在时间和频率两个维度上展开，用颜色深浅（或亮度）表示能量强弱，从而让我们看到不同频率成分是如何随时间变化的。音乐中的旋律、语音中的元音辅音，在语谱图上都有清晰的对应模式。
4.1 理解语谱图的核心：短时傅里叶变换（STFT）
语谱图的基础是短时傅里叶变换。它的核心思想是：假设在一段很短的时间（比如20-40毫秒）内，声音是平稳的（统计特性不变），对这一小段信号做傅里叶变换，得到该时刻的频率分布。然后，将时间窗沿着信号滑动，重复这个过程，最终得到一个二维矩阵（时间 vs. 频率），其值代表能量（幅度）。
librosa中的librosa.stft函数就是干这个的。
# 计算STFT n_fft = 2048 # FFT窗口大小，决定频率分辨率。越大，频率分辨率越高，时间分辨率越低。 hop_length = 512 # 帧移，即窗口每次滑动的样本数。越小，时间分辨率越高，但计算量越大。 win_length = n_fft # 窗口长度，通常等于n_fft window = 'hann' # 窗函数，用于减少频谱泄漏。‘hann’（汉宁窗）是最常用的。 D = librosa.stft(y, n_fft=n_fft, hop_length=hop_length, win_length=win_length, window=window) # D是一个复数矩阵， shape = (1 + n_fft/2, num_frames)得到复数矩阵D后，我们取其幅度（模）并转换为分贝（dB）尺度，因为人耳对声音强度的感知是对数型的。
S_db = librosa.amplitude_to_db(np.abs(D), ref=np.max) # 转换为分贝，ref是参考值，这里用最大值现在，S_db就是我们绘制语谱图所需的数据矩阵。
4.2 绘制基础语谱图与参数调优
使用librosa.display.specshow可以方便地绘制语谱图。
plt.figure(figsize=(12, 6)) librosa.display.specshow(S_db, sr=sr, hop_length=hop_length, x_axis='time', y_axis='log') plt.colorbar(format='%+2.0f dB') # 添加颜色条，单位dB plt.title('Log-Frequency Spectrogram (dB)') plt.xlabel('Time [s]') plt.ylabel('Frequency [Hz]') plt.tight_layout() plt.show()这张图已经包含了核心信息，但我们可以通过调整参数让它更清晰、更专业。
1. 调整色彩映射（Colormap）默认的viridis色彩映射在表示能量时可能对比度不够。magma,plasma,inferno,cividis或jet（虽然不推荐用于科学出版，但视觉对比强）是更常见的选择。
plt.figure(figsize=(12, 6)) librosa.display.specshow(S_db, sr=sr, hop_length=hop_length, x_axis='time', y_axis='log', cmap='magma') plt.colorbar(format='%+2.0f dB') plt.title('Spectrogram with Magma Colormap') plt.xlabel('Time [s]') plt.ylabel('Frequency [Hz]') plt.tight_layout() plt.show()2. 调整动态范围有时音频中既有很响的部分也有很弱的部分，为了同时看清它们，可以限制显示的动态范围。
# 假设我们只关心比峰值低60dB以上的内容 S_db_limited = librosa.amplitude_to_db(np.abs(D), ref=np.max, top_db=60) plt.figure(figsize=(12, 6)) librosa.display.specshow(S_db_limited, sr=sr, hop_length=hop_length, x_axis='time', y_axis='log', cmap='inferno') plt.colorbar(format='%+2.0f dB') plt.title('Spectrogram Limited to 60 dB Dynamic Range') plt.xlabel('Time [s]') plt.ylabel('Frequency [Hz]') plt.tight_layout() plt.show()3. 使用梅尔尺度（Mel Scale）人耳对频率的感知不是线性的，对低频差异更敏感。梅尔尺度是一种模拟人耳听觉特性的非线性频率尺度。在语音和音乐分析中，梅尔语谱图（Mel-spectrogram）更为常用。
# 直接计算梅尔频谱，而不是从STFT转换 n_mels = 128 # 梅尔滤波器的数量 mel_spec = librosa.feature.melspectrogram(y=y, sr=sr, n_fft=n_fft, hop_length=hop_length, n_mels=n_mels) mel_spec_db = librosa.power_to_db(mel_spec, ref=np.max) # 注意这里是power_to_db，因为melspectrogram返回的是功率谱 plt.figure(figsize=(12, 6)) librosa.display.specshow(mel_spec_db, sr=sr, hop_length=hop_length, x_axis='time', y_axis='mel', cmap='cividis') plt.colorbar(format='%+2.0f dB') plt.title('Mel-frequency Spectrogram (128 Mel bands)') plt.xlabel('Time [s]') plt.ylabel('Frequency [Hz]') plt.tight_layout() plt.show()使用y_axis='mel'后，纵轴会自动转换为梅尔刻度，更符合听觉感知。
4.3 高级技巧：叠加波形与基频轮廓
为了在一张图上获得更全面的信息，我们可以将波形图和语谱图叠加，或者加上基频（F0， Pitch）轨迹。
# 计算基频（使用pyin算法，相对稳健） f0, voiced_flag, voiced_probs = librosa.pyin(y, fmin=librosa.note_to_hz('C2'), fmax=librosa.note_to_hz('C7'), sr=sr) times_f0 = librosa.times_like(f0, sr=sr, hop_length=hop_length) # 注意pyin有自己的hop_length默认值 fig, ax = plt.subplots(3, 1, figsize=(14, 10), gridspec_kw={'height_ratios': [1, 3, 1]}) # 子图1：波形 librosa.display.waveshow(y, sr=sr, ax=ax[0], alpha=0.6) ax[0].set_title('Waveform + Spectrogram + Pitch Contour') ax[0].set_ylabel('Amplitude') ax[0].set_xlabel('') # 子图2：语谱图 + 基频 img = librosa.display.specshow(S_db, sr=sr, hop_length=hop_length, x_axis='time', y_axis='log', ax=ax[1], cmap='magma') ax[1].plot(times_f0, f0, color='cyan', linewidth=2, label='F0 (Pitch)') ax[1].set_title('Log-Frequency Spectrogram with Pitch Track') ax[1].set_ylabel('Frequency [Hz]') ax[1].legend(loc='upper right') fig.colorbar(img, ax=ax[1], format='%+2.0f dB') # 子图3：基频概率（ voiced_probs 表示是浊音的概率） ax[2].plot(times_f0, voiced_probs, color='green', linewidth=1.5, drawstyle='steps-post') ax[2].set_ylim([0, 1.1]) ax[2].set_title('Voicing Probability (from PYIN)') ax[2].set_xlabel('Time [s]') ax[2].set_ylabel('Probability') ax[2].grid(True, linestyle='--', alpha=0.5) plt.tight_layout() plt.show()这张复合图包含了丰富的信息：顶部的波形给出了振幅的宏观视图；中间的语谱图展示了所有频率成分，叠加的青色曲线是估计的基频（音高），你可以看到小号演奏的旋律线清晰地对应着语谱图中能量最强的谐波结构；底部的浊音概率曲线显示了算法在哪些时刻有信心检测到音高（接近1表示是浊音，如元音或乐器持续音；接近0表示是清音或噪声）。
踩坑实录：绘制语谱图时，
n_fft和hop_length的选择是一场时间分辨率与频率分辨率的博弈。n_fft越大，频率分辨率越高（频率轴上的点更密），能区分开更近的频率，但时间分辨率会下降（时间轴上的点更稀疏），看不清快速变化。对于语音，常用n_fft=2048（对应约46ms @ 44.1kHz），hop_length=512（约12ms）。对于音乐，可能需要更大的n_fft来获得更好的频率分辨率。一个快速检查的方法是：如果你的语谱图在时间轴上看起来“块状”很明显，说明hop_length太大了；如果频率轴上的谐波条纹很粗很模糊，说明n_fft可能太小了。
5. 实战：从零分析一段自定义音频
现在，让我们把前面的所有技巧整合起来，对一个真实的音频文件进行一次完整的分析。假设我们有一段自己录制的语音文件my_speech.wav。
5.1 加载与预处理
import librosa import librosa.display import matplotlib.pyplot as plt import numpy as np import seaborn as sns # 导入seaborn美化样式 # 设置全局绘图样式 sns.set_style("whitegrid") plt.rcParams['figure.dpi'] = 150 plt.rcParams['savefig.dpi'] = 300 plt.rcParams['font.size'] = 10 # 1. 加载音频 audio_path = "my_speech.wav" # 替换为你的文件路径 try: y, sr = librosa.load(audio_path, sr=16000, mono=True) # 语音分析常用16kHz，强制单声道 except FileNotFoundError: print(f"文件 {audio_path} 未找到，使用示例音频代替。") y, sr = librosa.load(librosa.ex('libri1'), sr=16000, mono=True) duration = librosa.get_duration(y=y, sr=sr) print(f"文件加载成功。采样率: {sr} Hz, 时长: {duration:.2f} 秒, 样本数: {len(y)}") # 2. 预处理：简单的静音切除（可选，但能提升可视化效果） # 使用librosa的效果器进行简单的头尾静音修剪 y_trimmed, index = librosa.effects.trim(y, top_db=20, frame_length=2048, hop_length=512) print(f"静音切除后时长: {librosa.get_duration(y=y_trimmed, sr=sr):.2f} 秒")5.2 绘制综合可视化分析图
我们将创建一张包含四个子图的仪表板，全面展示这段音频的特征。
# 计算所有需要的特征 # 波形数据 time_trimmed = np.arange(len(y_trimmed)) / sr # 语谱图数据 (STFT) n_fft = 2048 hop_length = 256 # 为了更好的时间分辨率，hop_length设小一些 D = librosa.stft(y_trimmed, n_fft=n_fft, hop_length=hop_length) S_db = librosa.amplitude_to_db(np.abs(D), ref=np.max, top_db=80) # 梅尔语谱图数据 n_mels = 80 mel_spec = librosa.feature.melspectrogram(y=y_trimmed, sr=sr, n_fft=n_fft, hop_length=hop_length, n_mels=n_mels) mel_spec_db = librosa.power_to_db(mel_spec, ref=np.max, top_db=80) # 能量（RMS）曲线 frame_length = n_fft hop_length_rms = hop_length rms = librosa.feature.rms(y=y_trimmed, frame_length=frame_length, hop_length=hop_length_rms)[0] times_rms = librosa.frames_to_time(np.arange(len(rms)), sr=sr, hop_length=hop_length_rms) # 过零率（ZCR）曲线 zcr = librosa.feature.zero_crossing_rate(y_trimmed, frame_length=frame_length, hop_length=hop_length_rms)[0] times_zcr = librosa.frames_to_time(np.arange(len(zcr)), sr=sr, hop_length=hop_length_rms) # 开始绘图 fig = plt.figure(figsize=(16, 12)) # 使用GridSpec进行更灵活的布局 gs = fig.add_gridspec(4, 2, height_ratios=[1.2, 3, 3, 1], hspace=0.4, wspace=0.3) ax0 = fig.add_subplot(gs[0, :]) # 波形，占满第一行 ax1 = fig.add_subplot(gs[1, 0]) # 线性谱图 ax2 = fig.add_subplot(gs[1, 1]) # 梅尔谱图 ax3 = fig.add_subplot(gs[2, 0]) # 能量曲线 ax4 = fig.add_subplot(gs[2, 1]) # 过零率曲线 ax5 = fig.add_subplot(gs[3, :]) # 频谱对比（可选） # 1. 波形图 (带能量包络) ax0.plot(time_trimmed, y_trimmed, color='steelblue', linewidth=0.5, alpha=0.7, label='Waveform') # 计算一个平滑的能量包络用于叠加 from scipy.ndimage import gaussian_filter1d envelope = gaussian_filter1d(np.abs(y_trimmed), sigma=sr//100) # 简单高斯平滑 ax0.fill_between(time_trimmed, -envelope, envelope, color='steelblue', alpha=0.2, label='Envelope') ax0.set_xlim([0, time_trimmed[-1]]) ax0.set_ylabel('Amplitude') ax0.set_title(f'Audio Waveform with Envelope (Duration: {duration:.2f}s)') ax0.legend(loc='upper right') ax0.grid(True, linestyle='--', alpha=0.3) # 2. 线性频率语谱图 img1 = librosa.display.specshow(S_db, sr=sr, hop_length=hop_length, x_axis='time', y_axis='linear', ax=ax1, cmap='magma') ax1.set_title('Linear-Frequency Spectrogram (STFT)') ax1.set_ylabel('Frequency [Hz]') fig.colorbar(img1, ax=ax1, format='%+2.0f dB') # 3. 梅尔频率语谱图 img2 = librosa.display.specshow(mel_spec_db, sr=sr, hop_length=hop_length, x_axis='time', y_axis='mel', ax=ax2, cmap='viridis') ax2.set_title('Mel-Frequency Spectrogram') ax2.set_ylabel('Frequency [Mel]') fig.colorbar(img2, ax=ax2, format='%+2.0f dB') # 4. 能量（RMS）曲线 ax3.plot(times_rms, rms, color='darkorange', linewidth=2) ax3.fill_between(times_rms, rms, color='darkorange', alpha=0.3) ax3.set_title('Root Mean Square (RMS) Energy') ax3.set_xlabel('Time [s]') ax3.set_ylabel('RMS') ax3.grid(True, linestyle='--', alpha=0.3) ax3.set_ylim(bottom=0) # 5. 过零率（ZCR）曲线 ax4.plot(times_zcr, zcr, color='forestgreen', linewidth=2) ax4.fill_between(times_zcr, zcr, color='forestgreen', alpha=0.3) ax4.set_title('Zero-Crossing Rate (ZCR)') ax4.set_xlabel('Time [s]') ax4.set_ylabel('ZCR') ax4.grid(True, linestyle='--', alpha=0.3) ax4.set_ylim([0, max(zcr)*1.1]) # 6. 平均频谱对比（可选，展示整体频率分布） S_avg = np.mean(np.abs(D), axis=1) # 对时间轴求平均 freqs = librosa.fft_frequencies(sr=sr, n_fft=n_fft) ax5.semilogx(freqs[1:], librosa.amplitude_to_db(S_avg[1:], ref=np.max), color='purple', linewidth=1.5) # 忽略0Hz ax5.set_title('Average Spectrum (Linear Frequency Scale)') ax5.set_xlabel('Frequency [Hz]') ax5.set_ylabel('Magnitude [dB]') ax5.grid(True, linestyle='--', alpha=0.3, which='both') # both表示主次网格线 plt.suptitle('Comprehensive Audio Analysis Dashboard', fontsize=16, y=1.02) plt.tight_layout() plt.show()这张综合图提供了极其丰富的信息：
- 顶部波形：让你对音频的整体振幅变化有个直观认识，平滑的包络线突出了声音的起伏。
- 中部左侧线性谱图：展示了原始的频率分布，你能看到谐波结构（等间距的横条）和噪声区域。
- 中部右侧梅尔谱图：更符合人耳听觉，在低频部分有更高的分辨率，常用于语音识别和音乐分类的特征提取。
- 下部左侧能量曲线：清晰地标出了语音中音节或音乐中乐句的起止。
- 下部右侧过零率曲线：高过零率通常对应清辅音（如/s/, /f/）或噪声，低过零率对应元音和浊辅音。结合能量曲线，可以粗略地进行有声/无声段检测。
- 底部平均频谱：显示了这段音频在整个频率范围内的能量分布，有助于判断录音设备的频率响应或是否存在特定频率的噪声（如50/60Hz的工频干扰）。
5.3 保存高质量图表
分析完成后，我们可能需要将图表保存下来用于报告或分享。
output_path = "audio_analysis_dashboard.png" fig.savefig(output_path, dpi=300, bbox_inches='tight', facecolor='white', edgecolor='none') print(f"分析图表已保存至: {output_path}")个人经验：在实际项目中，我习惯将这样的分析流程封装成一个函数，输入音频路径和几个关键参数（如
sr,n_fft），直接输出保存好的分析图和一个包含所有计算特征的数据字典。这能极大提升批量分析音频文件的效率。另外，如果音频特别长（>1分钟），建议分段分析，或者使用librosa.display.specshow的x_axis和y_axis参数来缩放显示范围，否则图形会过于密集，失去可读性。
6. 美化与出版级图表输出
“好看”的图表不仅能愉悦自己，在分享、报告或论文中也更显专业。Matplotlib提供了强大的定制能力。
6.1 使用预定义样式
最简单的方法是使用plt.style.use()。
# 查看所有可用样式 print(plt.style.available) # 使用 seaborn 样式（需要先安装seaborn） plt.style.use('seaborn-v0_8-darkgrid') # 深色网格背景 # 或者使用 ggplot 样式 # plt.style.use('ggplot') # 或者使用 scienceplots 的期刊样式（需要先安装scienceplots） # import scienceplots # plt.style.use(['science', 'ieee']) # IEEE论文样式6.2 深度自定义：字体、颜色、布局
对于最终要发表的图表，我们可能需要精细到每一个元素。
# 在绘制前设置全局参数 plt.rcParams.update({ 'font.family': 'serif', # 使用衬线字体，如Times New Roman，更正式 'font.serif': ['Times New Roman', 'DejaVu Serif', 'SimSun'], 'font.size': 11, # 正文字号 'axes.titlesize': 12, # 子图标题字号 'axes.labelsize': 11, # 坐标轴标签字号 'xtick.labelsize': 10, 'ytick.labelsize': 10, 'legend.fontsize': 10, 'figure.titlesize': 14, # 总标题字号 'savefig.bbox': 'tight', # 保存时自动裁剪白边 'savefig.dpi': 300, # 保存分辨率 'axes.grid': True, # 默认显示网格 'grid.alpha': 0.3, # 网格透明度 'grid.linestyle': '--', }) # 然后重新绘制一张简化的、用于出版的语谱图 fig, ax = plt.subplots(1, 1, figsize=(8, 4)) # 使用一个更专业的色彩映射，如'cividis'，它对色盲友好且在黑白打印时灰度过渡好 img = librosa.display.specshow(mel_spec_db, sr=sr, hop_length=hop_length, x_axis='time', y_axis='mel', ax=ax, cmap='cividis') # 精心设置colorbar cbar = fig.colorbar(img, ax=ax, format='%+2.0f dB', pad=0.02) cbar.set_label('Intensity (dB)', rotation=270, labelpad=15) ax.set_title('Mel-Spectrogram of Speech Signal', pad=15) # pad增加标题与图的间距 ax.set_xlabel('Time (s)') ax.set_ylabel('Frequency (Mel)') # 可以添加一些标注，例如标出一个元音区域 # ax.axvspan(1.2, 1.5, color='white', alpha=0.2, linewidth=0) # 半透明高亮区域 # ax.text(1.35, 4000, 'Vowel /a/', color='white', ha='center', va='center', fontweight='bold') plt.tight_layout() # 保存为PDF（矢量格式，无限缩放） plt.savefig('professional_mel_spec.pdf', dpi=300) plt.savefig('professional_mel_spec.png', dpi=300) # 同时保存一份位图 plt.show()6.3 创建可复用的绘图模板
如果你经常需要产出风格一致的图表，可以将其封装成函数或类。
def plot_enhanced_spectrogram(audio_path, sr=16000, n_fft=2048, hop_length=512, n_mels=128, cmap='magma', output_path=None): """ 绘制并保存一个增强版的梅尔语谱图。 参数: audio_path: 音频文件路径 sr: 目标采样率 ... 其他参数 output_path: 保存路径，如未提供则只显示不保存 """ # 加载和预处理音频 y, sr = librosa.load(audio_path, sr=sr, mono=True) y, _ = librosa.effects.trim(y, top_db=20) # 计算梅尔谱图 mel_spec = librosa.feature.melspectrogram(y=y, sr=sr, n_fft=n_fft, hop_length=hop_length, n_mels=n_mels) mel_spec_db = librosa.power_to_db(mel_spec, ref=np.max, top_db=80) # 绘图 plt.style.use('seaborn-v0_8-whitegrid') # 使用一个干净的样式 fig, ax = plt.subplots(figsize=(10, 5)) img = librosa.display.specshow(mel_spec_db, sr=sr, hop_length=hop_length, x_axis='time', y_axis='mel', ax=ax, cmap=cmap) cbar = fig.colorbar(img, ax=ax, format='%+2.0f dB') cbar.set_label('Power (dB)', rotation=270, labelpad=15) ax.set_title(f'Mel-Spectrogram: {Path(audio_path).name}', fontsize=14, pad=12) ax.set_xlabel('Time [seconds]', fontsize=12) ax.set_ylabel('Frequency [Mel]', fontsize=12) plt.tight_layout() if output_path: plt.savefig(output_path, dpi=300, bbox_inches='tight') print(f"图表已保存至: {output_path}") else: plt.show() plt.close(fig) # 关闭图形，释放内存 # 使用函数 plot_enhanced_spectrogram('my_speech.wav', output_path='my_speech_spectrogram.png')通过这样的封装，你可以快速地为大量音频文件生成统一风格的分析图，极大提升工作效率。
从加载一段原始的音频数据，到绘制出信息丰富、外观专业的波形图和语谱图，这个过程不仅是简单的数据可视化，更是深入理解音频信号本质的开始。当你能够熟练解读这些图形时，你就拥有了诊断音频问题、设计特征、甚至直观理解模型行为的强大能力。记住，好的可视化是分析成功的一半。
