Ecco i parametri matplotlib.specgram
matplotlib.mlab.specgram(x,
NFFT=256,
Fs=2,
detrend=<function detrend_none at 0x1dd6410>,
window=<function window_hanning at 0x1e0b1b8>,
noverlap=128,
pad_to=None,
sides='default',
scale_by_freq=None)
I parametri forniti nella descrizione della domanda devono essere convertiti in parametri mpl.specgram comparabili. Di seguito è riportato un esempio del mapping:
View range: 0-8000Hz Fs=16000
Window length: 0.005s NFFT = int(Fs*0.005) = 80
noverlap = int(Fs*0.0025) = 40
Dynamic range: 70dB n/a
Time steps: 1000 n/a
Frequency steps: 250
Window shape: Gaussian default window is hanning change to gaussian
Se usi 8ms otterrai una potenza di 2 FFT (128). La seguente è la descrizione delle impostazioni di Praat dal loro sito Web
Visualizza intervallo (Hz) : l'intervallo di frequenze da visualizzare. Lo standard è 0 Hz nella parte inferiore e 5000 Hz nella parte superiore. Se questa frequenza massima è superiore alla frequenza di Nyquist del suono (che è metà della sua frequenza di campionamento), alcuni valori nello spettrogramma saranno zero e le frequenze più alte saranno disegnate in bianco. Puoi vederlo se registri un suono a 44100 Hz e imposti l'intervallo di visualizzazione da 0 Hz a 25000 Hz.
Lunghezza finestra : la durata della finestra di analisi. Se questo è 0,005 secondi (lo standard), Praat usa per ogni fotogramma la parte del suono che si trova tra 0,0025 secondi prima e 0,0025 secondi dopo il centro di quel fotogramma (per le finestre gaussiane, Praat ne utilizza effettivamente un po 'di più). La lunghezza della finestra determina la larghezza di banda dell'analisi spettrale, ovvero la larghezza della linea orizzontale nello spettrogramma di un'onda sinusoidale pura (vedi sotto). Per una finestra gaussiana, la larghezza di banda di -3 dB è 2 * sqrt (6 * ln (2)) / (π * Lunghezza finestra) o 1.2982804 / Lunghezza finestra. Per ottenere uno broad-band' spectrogram (bandwidth 260 Hz), keep the standard window
length of 5 ms; to get aspettrogramma a banda stretta (larghezza di banda 43 Hz), impostarlo su 30 ms (0,03 secondi). Le altre forme della finestra danno valori leggermente diversi.
Intervallo dinamico (dB) : tutti i valori che superano l'intervallo dinamico dB al di sotto del massimo (forse dopo la compressione dinamica, vedere Impostazioni avanzate dello spettrogramma ...) verranno disegnati in bianco. I valori intermedi hanno sfumature di grigio appropriate. Pertanto, se il picco più alto nello spettrogramma ha un'altezza di 30 dB / Hz e l'intervallo dinamico è 50 dB (che è il valore standard), i valori inferiori a -20 dB / Hz verranno disegnati in bianco e i valori tra -20 dB / Hz e 30 dB / Hz verranno disegnati in varie tonalità di grigio.
Collegamento alle impostazioni Praat
La domanda del PO potrebbe riguardare la differenza di contrasto tra lo schema Praat e lo schema mpl (matplotlib). Praat ha un'impostazione di gamma dinamica che influenza il contrasto. La funzione mpl non ha impostazioni / parametri simili. Il mpl.specgram restituisce l'array 2D di livelli di potenza (lo spettrogramma) che l'intervallo dinamico può essere applicato all'array di ritorno e riprogrammato.
Di seguito è riportato un frammento di codice per creare i grafici seguenti. L'esempio è un discorso di ~ 1m15 con un cinguettio da 20Hz-8000Hz.
import numpy
import pylab
import wave
import array
pylab.close('all')
w1 = wave.open('example_no_noise.wav')
w2 = wave.open('example_noise.wav')
# hmmm, probably a better way to do this, scipy.io function?
x1 = numpy.array(array.array('h', w1.readframes(w1.getnframes())))
x2 = numpy.array(array.array('h', w2.readframes(w2.getnframes())))
x1 = x1 / (2.**(16-1)) # normalize
x2 = x2 / (2.**(16-1)) # normalize
Fs = 16000.
NFFT = int(Fs*0.005) # 5ms window
noverlap = int(Fs*0.0025)
pylab.figure(1)
pylab.specgram(x1, NFFT=NFFT, Fs=Fs, noverlap=noverlap,
cmap=pylab.get_cmap('Greys'))
pylab.title('Full 1m15s example min noise')
pylab.figure(2)
pylab.specgram(x2, NFFT=NFFT, Fs=Fs, noverlap=noverlap,
cmap=pylab.get_cmap('Greys'))
pylab.title('Full 1m15s example more noise')
pylab.figure(3); n=2100*176;
pylab.specgram(x2[n:n+256*256], NFFT=NFFT, Fs=Fs, noverlap=noverlap,
cmap=pylab.get_cmap('Greys'))
pylab.title('Full ~4s example min noise')
pylab.figure(4); pylab.plot(x1[n:n+256*256])
