搜索 - 腾讯云开发者社区-腾讯云

文章/答案/技术大牛

发布

来自专栏音频分析
音频处理效率测评：audioflux、torchaudio、librosa和essentia库哪个更快？
在本文中，我们将对四个常用的音频处理库——audioflux、torchaudio、librosa和essentia——进行性能测试，以评估它们在计算Mel频谱时的效率。 number of run_xxx.py calls, number-t: The time of each sample data, list测试单个库，使用以下方式：$ python run_audioflux.py 性能使用 audioFlux/torchaudio/librosa 库, 针对 AMD/Intel/M1 CPUs and Linux/macOS 系统。在 linux/amd 处理器上，audioflux 比 torchaudio 稍快，但在 linux/intel 上稍慢。在 macOS 系统上，对于大尺寸样本数据，audioflux 比 torchaudio 快，intel 比 m1 明显；对于小尺寸样本数据，torchaudio 比 audioflux 更快。
2.4K80编辑于 2023-04-25
来自专栏音频分析
深度学习工具audioFlux--一个系统的音频特征提取库
时频变换 audioFlux在时频分析领域中，包含以下通用变换(支持后续所有频率刻度类型)算法： BFT - 基于傅里叶变换。 audioFlux重排相关算法提供多次重排机制，具体效果可以参照文档做下尝试对比。等等一小部分，关于audioFlux所提供的所有谱特征，更具体的功能描述、例子、公式等请参照官方文档。下面是一些谱特征对比图。图片音乐信息检索 audioFlux提供mir相关领域pitch估算、onset侦测、hpss（谐波打击乐分离）等相关业务算法。图片最后，audioFlux是2023年初开源的一个项目，对此有兴趣或有意向的小伙伴可以积极参与到本项目中。
3.1K110编辑于 2023-02-23
来自专栏音频分析
这样的速度，还有谁？一个 issue 引发的性能大跃进
这是相关 issue 地址: https://github.com/libAudioFlux/audioFlux/issues/18#issuecomment-1498371872后面仔细分析发现，我当时测试数据样本尺寸太小这是详细的测评报告: https://github.com/libAudioFlux/audioFlux/tree/master/benchmark综合来看，在 linux/amd 处理器上，audioflux 在 macOS 系统上，对于大尺寸样本数据，audioflux 比 torchaudio 快，intel 比 m1 明显；对于小尺寸样本数据，torchaudio 比 audioflux 更快。感兴趣的请给个 Star项目地址: https://github.com/libAudioFlux/audioFlux
36930编辑于 2023-04-25
来自专栏音频分析
全球音频领域哪家强--盘点音频领域常用的python库
audioFlux，音频特征较为全面，支持移动端，提供尽可能细粒度、体系化的特征维度和组合，但某些变换的逆操作尚未实现。使用这些组合产生出更多细粒度的不同特征，训练出模型准确性和鲁棒性的研究， audioFlux库提供全面基础的支持，这是相比librosa等其它库优势的地方，期待后续借用audioFlux这个梯子，产生有价值的对不同scale有不同程度支持的库有 audioFlux、essentia、madmom，其中 audioFlux最为系统和全面。当前库中，仅有audioFlux支持CWT相关体系。最后无聊的总结最后总结一下， audioFlux是为研发和工程设计的，提供尽可能细粒度、体系化的特征维度和组合。目前算的上体系的，audioFlux算一个，librosa算半个。针对工程，要满足提取性能，尽量支持移动端(可选)。
2.3K121编辑于 2023-02-23
来自专栏音频分析
这个小项目，上周被国外 AI 新闻网站报道，前些天又上了 github 热榜
github 上一些爆火、优质的项目不值得一提，但相比之前几个 star 的情况好大多了，这是相关的文章：https://www.marktechpost.com/2023/03/24/meet-audioflux-a-deep-learning-library-for-audio-and-music-analysis-feature-extraction 项目地址： https://github.com/libAudioFlux/audioFlux
33150编辑于 2023-03-29
来自专栏音频分析
音频领域常用的谱特征
这些谱特征都是频域数据各个维度高度抽象、总结、量化的结果，为业务后续研发提供思维的燃料，脑海里有没有很重要，至于烧不烧、怎么烧是另外一回事，但前提是先备好这些"燃料"，幸运的是，audioFlux项目提供下面所列谱特征几乎所有的支持 14和15包含丰富多样的各种维度的Novelty相关方法，干货满满，每一个单独拎出来都可以作为一篇论文发表，建议使用audioFlux做详细的测试，一定会有不少的收获。下面是一张使用audioFlux测试的部分特征效果图。图片
89170编辑于 2023-02-23
来自专栏HelloGitHub
最小编译器和 UI 框架「GitHub 热点速览」
HG 评价地址→https://hellogithub.com/repository/5d7d9331d9934bc1859f4d060a6a776c 3.2 音频分析：audioFlux 主语言：C
53720编辑于 2023-08-19
来自专栏音频分析
Mel频谱和MFCC深入浅出
幸运的是audioFlux开源项目有比较标准的实现，感兴趣的朋友可以研究一下。 3. 基于上面算法流程，mel刻度产生mel频谱和mfcc特征，同样的流程，bark/erb等刻度产生对应的bark/erb频谱和相应倒谱系数，一些不同刻度频谱的对比图如下图片更多的不同刻度频谱类型可尝试使用audioFlux 也是一种特殊的窗函数，某种角度上讲甚至可以不计算，下面是几种不同窗下Filter bank的对比图图片下面是不同窗下的频谱对比图图片图中Slaney和ETSI是两种不同类型的三角窗，其它更多窗类型测试可尝试使用audioFlux
3.1K90编辑于 2023-02-28

音频处理效率测评：audioflux、torchaudio、librosa和essentia库哪个更快？

深度学习工具audioFlux--一个系统的音频特征提取库

这样的速度，还有谁？一个 issue 引发的性能大跃进

全球音频领域哪家强--盘点音频领域常用的python库

这个小项目，上周被国外 AI 新闻网站报道，前些天又上了 github 热榜

音频领域常用的谱特征

最小编译器和 UI 框架「GitHub 热点速览」

Mel频谱和MFCC深入浅出

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐