Python 使用 Librosa 提取音频特征详解：完整教程与实战要点

1. 环境搭建与依赖安装

在进行 Python 使用 Librosa 提取音频特征 的完整流程中，环境搭建是第一步。Librosa 依赖于 NumPy、SciPy、SoundFile 等库，因此需要确保这些组件版本之间兼容，以避免在特征提取阶段出现错误。

为了快速上手，通常有两种方式：使用 pip 安装或通过 Conda 安装。Conda 通常能够更好地解决二进制依赖问题，而 pip 则更轻量、灵活。

# 使用 pip 安装
pip install librosa# 或者使用 conda 安装（推荐）
conda install -c conda-forge librosa

安装完成后，快速验证环境是否就绪。导入 Librosa 并尝试加载一个小样本音频，可以初步确认依赖链无误。

import librosa
print(librosa.__version__)
# 尝试加载音频文件，确保路径正确
y, sr = librosa.load('sample.wav', sr=22050, mono=True)
print(y.shape, sr)

2. Librosa 基础与音频加载

在音频特征提取的实践中，加载音频数据是第一步。Librosa 的 load 函数返回一个一维时间序列 y 与一个采样率 sr，默认会将音频转为单通道（Mono）。

如果需要保留原始采样率，设置 sr=None 即可；如果希望统一为特定采样率以便后续对齐，则将 sr 指定为目标值。

import librosa, numpy as np
# 保留原始采样率
y, sr = librosa.load('audio.mp3', sr=None, mono=True)
dur = librosa.get_duration(y=y, sr=sr)
print('时长(秒):', dur)

为了后续的时域与频域分析，常把音频分成短时帧，短时傅里叶变换（STFT）用于得到时间-频率表示，振幅谱或功率谱再转换为对数尺度，便于特征提取。

import numpy as np
n_fft = 2048
hop_length = 512
D = librosa.stft(y, n_fft=n_fft, hop_length=hop_length)
S = np.abs(D)
S_db = librosa.amplitude_to_db(S, ref=np.max)
print(S_db.shape)

在 n_fft 与 hop_length 的选择上，n_fft 越大，频分辨率越高；hop_length 越小，时间分辨率越高，但数据量也越大。这两个参数直接影响后续特征的维度与计算成本。

3. 常用音频特征提取方法

MFCC（梅尔频率倒谱系数）

MFCC 是音频信号处理中最常用的特征之一，它将语音的梅尔尺度能量映射到离散余弦域，能有效描述人耳感知特征。在 音乐信号分析、声音识别等场景具有良好鲁棒性。

常用参数包括 n_mfcc（要提取的系数数量）以及是否对时域进行对齐处理。通常取 20～40 之间的 n_mfcc，在不同数据集上进行对比后再确定。

import numpy as np
mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=40)
print(mfcc.shape)         # (n_mfcc, t)
mfcc_delta = librosa.feature.delta(mfcc)
mfcc_delta2 = librosa.feature.delta(mfcc, order=2)
print(mfcc_delta.shape, mfcc_delta2.shape)

Mel-spectrogram 与 Mel 频谱

Mel 频谱将线性尺度的频率映射到近似人耳感知的梅尔尺度，常用于音乐信息检索与分类任务。mel spectrogram 可以作为后续分类器的输入特征之一。

通过 librosa.feature.melspectrogram 直接计算，再使用 power_to_db 将功率谱转为对数分贝（dB）尺度，便于视觉化和模型学习。

mel_spect = librosa.feature.melspectrogram(y=y, sr=sr, n_mels=128)
S_db = librosa.power_to_db(mel_spect, ref=np.max)
print(mel_spect.shape, S_db.shape)

Chroma 与 Tonnetz

Chroma 特征聚焦音高类别的分布，适用于和声分析、旋律识别等任务；Tonnetz 则体现和声关系的结构。两者都能提供旋律与和声层面的信息，在音乐情感分析与风格识别中有实际价值。

常用提取方式包括 chroma_stft 与对 Harmonic 成分提取后的 tonnetz。

# Chroma 特征
chroma_stft = librosa.feature.chroma_stft(y=y, sr=sr)
# Tonnetz 特征（需要先获取和声部分）
harmonic = librosa.effects.harmonic(y)
tonnetz = librosa.feature.tonnetz(y=harmonic, sr=sr)
print(chroma_stft.shape, tonnetz.shape)

4. 实战：从音频中提取特征并保存

从单个文件提取并保存

在实际项目中，往往需要把提取到的特征保存下来，以便后续训练模型或进行离线分析。将各类特征聚合成结构化格式（如字典或 JSON、NumPy 数组） ，是常见做法。

以下示例演示如何从一个音频文件提取 MFCC、Mel 谱以及 Chroma，并将结果序列化保存到 JSON 文件中，便于跨任务共享与调试。

import json
def extract_features(path):y, sr = librosa.load(path, sr=None)feats = {}feats['mfcc'] = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=40).mean(axis=1).tolist()feats['mel'] = librosa.feature.melspectrogram(y=y, sr=sr, n_mels=128).mean(axis=1).tolist()feats['chroma'] = librosa.feature.chroma_stft(y=y, sr=sr).mean(axis=1).tolist()return featsf = extract_features('song.wav')
with open('song_features.json', 'w') as fobj:json.dump(f, fobj)
print('Features saved') 

批量处理与保存

在数据集规模较大时，批量处理就成为必要。遍历音频目录、逐个提取并聚合特征，再统一写出到文件，可以显著提升工作效率。

下面给出一个简化的批量提取脚本模板，支持多种音频格式，并将结果写入一个 JSON 文件中，便于后续分析。

import os, json
def batch_extract(folder, out_json):results = {}for fname in os.listdir(folder):if not fname.lower().endswith(('.wav', '.mp3', '.flac')):continuepath = os.path.join(folder, fname)y, sr = librosa.load(path, sr=None)feats = {'mfcc': librosa.feature.mfcc(y=y, sr=sr, n_mfcc=20).mean(axis=1).tolist(),'mel': librosa.feature.melspectrogram(y=y, sr=sr, n_mels=128).mean(axis=1).tolist(),'chroma': librosa.feature.chroma_stft(y=y, sr=sr).mean(axis=1).tolist()}results[fname] = featswith open(out_json, 'w') as fobj:json.dump(results, fobj)batch_extract('audio_dir', 'features.json')

5. 实践要点与常见问题

5.1 参数与特征选择要点

在实际项目中，特征维度的选择直接影响模型性能与训练成本，需要根据数据规模和任务目标进行权衡。常见的设置包括 n_mfcc 取值范围（如 20～40）、n_mels 的数量（如 128 或 64）以及是否对特征进行均值或标准化处理。

此外，平均化与统计特征（如取均值、方差、最大最小值）常用来将变长的特征序列聚合成固定维度，便于批量训练与比对。

在调试阶段，记录特征的时间粒度（hop_length、帧数）与样本对齐关系，可以避免在数据加载阶段出现不一致的问题。

# 简单的特征聚合示例
mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=40)
mfcc_mean = mfcc.mean(axis=1)
print(mfcc_mean.shape)  # (40,)# 也可以把时间维度聚合成统计量
mfcc_std = mfcc.std(axis=1)
features_stat = {'mfcc_mean': mfcc_mean.tolist(), 'mfcc_std': mfcc_std.tolist()}

5.2 调试与常见问题

常见问题多源于路径错误、权限问题、音频格式兼容性等。确保音频文件路径正确、文件可读，并且在批量处理时对非法文件进行跳过。

另外，采样率不一致会影响特征维度和对比结果，通常在加载阶段统一成相同的 sr，或在后续模型中对变长序列进行对齐处理。

若遇到內存瓶颈，可考虑降低 n_fft、n_mels 的数量，或对音频分段并逐段处理，再将特征拼接或聚合。对大规模数据的分块处理是稳健的实践要点。