常用的音频特征选择

Mel_spectrum, MfCC: 是短时傅里叶变换　　+ 　Mel 滤波器组构成

gamma_spectrum: 　　短时傅里叶变换　　+ 　gamma 滤波器组构成

cqt: 常数Ｑ变换，　短时傅里叶变换　　+ 　常数Q因子构成;

２. CQT

主要记录librosa. 中关于CQT 与perceptual_weighting()函数的理解。

def cqt(
    y,
    sr=22050,
    hop_length=512,
    fmin=None,
    n_bins=84,
    bins_per_octave=12,
    tuning=0.0,
    filter_scale=1,
    norm=1,
    sparsity=0.01,
    window="hann",
    scale=True,
    pad_mode="reflect",
    res_type=None,
    dtype=None,
):

函数的接口如上所示，　其中

fmin: 最小的起始频率；

n_bins:
从fmin 开始， 总共有多少个细分的频率段，默认有 84；

bins_per_octave: 　每一个音阶下，均匀分配多少个频率bins　出来；默认为 12;
所以84/12 = 7 , 　算上开始的，　0-7总共8个音阶；

那么最高频率是算的呢？
已知， 从最低频率开始　fmin = 32Hz, \(2^5\),
由于总共八个音阶，　算上开始的，　所以这八个音阶对应的各自频率如下：
\(2^5\) = 32Hz, 　\(2^6\)=64Hz, 　\(2^7\)=128Hz, \(2^8\)=256Hz, 　
\(2^9\)=512Hz, 　\(2^{10}\)=1024, 　\(2^{11}\), 　\(2^{12}\),

由以上可知，\(2^{12}\)　= 4096 Hz,