推荐项目<!-- 这里是 HelloGitHub 月刊推荐项目的入口，欢迎自荐和推荐开源项目，唯一要求：请按照下面的提示介绍项目。--><!-- 点击上方 “Preview” 立刻查看提交的内容 --><!--仅收录 GitHub 上的开源项目，请填写 GitHub 的项目地址-->- 项目地址：https://github.com/libAudioFlux/audioFlux<!--请从中选择（C、C#、C++、CSS、Go、Java、JS、Kotlin、Objective-C、PHP、Python、Ruby、Rust、Swift、其它、书籍、机器学习）-->- 类别：C、Python<!--请用 20 个左右的字描述它是做什么的，类似文章标题让人一目了然 -->- 项目标题：A library for audio and music analysis, feature extraction.<!--这是个什么项目、能用来干什么、有什么特点或解决了什么痛点，适用于什么场景、能够让初学者学到什么。长度 32-256 字符-->- 项目描述：一个用于音频和音乐分析、特征提取的库，支持数十种时频分析变换方法，以及相应时域、频域数百种特征组合，可以提供给深度学习网络进行训练，用于研究音频领域的分类、分离、音乐信息检索(MIR)、ASR等各种任务。<!--令人眼前一亮的点是什么？类比同类型项目有什么特点！-->- 亮点：> 1. 系统、多维度的提取特征和组合，可以灵活的用于各种任务研究分析。> 2. 性能高效，核心大部分C实现，基于不同平台FFT硬件加速，方便大规模数据特征提取。> 3. 适用移动端，支持移动端音频流实时计算。- 代码示例 bash pip install audioflux ``````pythonimport numpy as npimport audioflux as afimport matplotlib.pyplot as pltfrom audioflux.display import fill_spec# Get a 220Hz's audio file pathsample_path = af.utils.sample_path('220')# Read audio data and sample rateaudio_arr, sr = af.read(sample_path)# Extract mel spectrogramspec_arr, mel_fre_band_arr = af.mel_spectrogram(audio_arr, num=128, radix2_exp=12, samplate=sr)spec_arr = np.abs(spec_arr)# Extract mfccmfcc_arr, _ = af.mfcc(audio_arr, cc_num=13, mel_num=128, radix2_exp=12, samplate=sr)# Displayaudio_len = audio_arr.shape[0]# calculate x/y-coordsx_coords = np.linspace(0, audio_len / sr, spec_arr.shape[1] + 1)y_coords = np.insert(mel_fre_band_arr, 0, 0)fig, ax = plt.subplots()img = fill_spec(spec_arr, axes=ax, x_coords=x_coords, y_coords=y_coords, x_axis='time', y_axis='log', title='Mel Spectrogram')fig.colorbar(img, ax=ax)fig, ax = plt.subplots()img = fill_spec(mfcc_arr, axes=ax, x_coords=x_coords, x_axis='time', title='MFCC')fig.colorbar(img, ax=ax)plt.show()- 示例代码：官方文档 - 后续更新计划：> 1. TF 1. emd/hht 2. cz(chirplet-transform)> 2. MIR 1. multi-pitch track 2. chord estimate> 3. adapter filter 1. linear/nonlinear 2. time/fre domain 3. kalman