neverlib 0.2.2__py3-none-any.whl → 0.2.4__py3-none-any.whl

neverlib/.history/metrics/snr_20250806211634.py

@@ -0,0 +1,184 @@
+import sys
+sys.path.append("../")
+import librosa
+import numpy as np
+from neverlib.vad.utils import vad2nad
+
+
+def get_snr(speech, noise):
+    """计算信噪比
+    Args:
+        speech: 语音音频
+        noise: 噪声音频
+    Returns:
+        snr: 信噪比
+    """
+    assert speech.ndim == noise.ndim, "speech和noise的维度不一样"
+
+    power_speech = np.mean(speech**2)
+    power_noise = max(np.mean(noise**2), 1e-10)
+
+    snr = 10 * np.log10(power_speech / power_noise)
+    return snr
+
+
+def get_snr_from_noisy(noisy, speech_vad=None):
+    """根据带噪音频计算信噪比
+    Args:
+        noisy: 带噪音频
+        speech_vad: [{start:xxx, end:xxx}, ...]
+    Returns:
+        snr: 信噪比
+    """
+    assert speech_vad is not None, "speech_vad不能为空"
+
+    # 提取语音段
+    speech_segments = []
+    for segment in speech_vad:
+        start = segment['start']
+        end = segment['end']
+        speech_segments.append(noisy[start:end])
+    speech = np.concatenate(speech_segments, axis=0)
+
+    # 提取非语音段
+    noise_segments = []
+    noise_point_list = vad2nad(speech_vad, len(noisy))
+    for noise_point in noise_point_list:
+        noise_segments.append(noisy[noise_point['start']:noise_point['end']])
+    noise = np.concatenate(noise_segments, axis=0)
+
+    P_speech_noise = np.mean(speech ** 2)  # 语音+噪声功率
+    P_noise = max(np.mean(noise ** 2), EPS)  # 纯噪声功率
+
+    # 计算净语音功率
+    P_speech = max(P_speech_noise - P_noise, EPS)
+    snr = 10 * np.log10(P_speech / P_noise)
+
+    return snr
+
+
+def seg_snr(clean, noisy, frame_length: int, hop_length: int):
+    """
+    分帧计算信噪比
+    Args:
+        clean: 干净音频, numpy array
+        noisy: 带噪音频, numpy array
+        frame_length: 帧长
+        hop_length: 帧移
+    Returns:
+        snr_mean: 平均信噪比, float
+    Raises:
+        ValueError: 当输入参数不合法时抛出
+    """
+    assert clean.shape == noisy.shape, "clean和noisy的维度不一样"
+
+    # 分帧
+    clean_frames = librosa.util.frame(clean, frame_length=frame_length, hop_length=hop_length)  # (frame_length, n_frames)
+    noisy_frames = librosa.util.frame(noisy, frame_length=frame_length, hop_length=hop_length)  # (frame_length, n_frames)
+
+    # 计算每帧的信噪比
+    snr_frames = []
+    for i in range(clean_frames.shape[1]):
+        clean_frame = clean_frames[:, i]
+        noisy_frame = noisy_frames[:, i]
+        # 跳过静音帧
+        if np.all(np.abs(clean_frame) < 1e-6) or np.all(np.abs(noisy_frame) < 1e-6):
+            continue
+        snr_frames.append(get_snr(clean_frame, noisy_frame))
+
+    # 如果所有帧都是静音
+    if not snr_frames:
+        return float('-inf')
+
+    return np.mean(snr_frames)
+
+
+def psnr(clean, noisy, max_val=None):
+    """
+    计算峰值信噪比
+    Args:
+        clean: 干净音频, numpy array
+        noisy: 带噪音频, numpy array
+        max_val: 信号最大值, 如果为None则使用clean信号的实际最大值
+    Returns:
+        psnr: 峰值信噪比, 单位dB
+    """
+    assert clean.shape == noisy.shape, "clean和noisy的维度不一样"
+
+    # 如果没有指定最大值, 使用clean信号的实际最大值
+    if max_val is None:
+        max_val = np.abs(clean).max()
+
+    # 计算均方误差 (MSE)
+    mse = np.mean((clean - noisy) ** 2)
+
+    # 避免除以0
+    if mse == 0:
+        return float('inf')
+
+    # 计算PSNR
+    psnr = 10 * np.log10(max_val**2 / mse)
+    return psnr
+
+
+def si_sdr(reference, estimate, epsilon=1e-8):
+    """
+    计算尺度不变信噪比 (Scale-Invariant Signal-to-Distortion Ratio, SI-SDR)。
+
+    Args:
+        reference (np.ndarray): 原始的、干净的参考信号 (一维数组)。
+        estimate (np.ndarray): 模型估计或处理后的信号 (一维数组)。
+        epsilon (float): 一个非常小的数值, 用于防止分母为零, 保证数值稳定性。
+
+    Returns:
+        float: SI-SDR 值, 单位为分贝 (dB)。
+    """
+    assert reference.shape == estimate.shape, "reference和estimate的维度不一样"
+
+    # 2. 零均值化 (可选但推荐)
+    # 移除直流分量, 使计算更关注信号的动态变化
+    reference = reference - np.mean(reference)
+    estimate = estimate - np.mean(estimate)
+
+    # 3. 计算目标信号分量 (s_target)
+    # s_target 是 estimate 在 reference 上的投影
+    # 公式: s_target = (<ŝ, s> / ||s||²) * s
+    dot_product = np.dot(estimate, reference)   # <ŝ, s> (点积)
+    norm_s_squared = np.dot(reference, reference)   # ||s||² (s的能量)
+
+    # 检查参考信号能量, 避免除以零
+    if norm_s_squared < epsilon:
+        # 如果参考信号几乎是静音, SI-SDR没有意义
+        return -np.inf  # 返回负无穷或np.nan
+
+    alpha = dot_product / (norm_s_squared + epsilon)    # 最佳缩放因子 α
+    s_target = alpha * reference
+
+    # 4. 计算误差/失真分量 (e_noise)
+    e_noise = estimate - s_target
+
+    # 5. 计算 SI-SDR
+    # SI-SDR = 10 * log10 ( ||s_target||² / ||e_noise||² )
+    power_s_target = np.sum(s_target**2)    # ||s_target||²
+    power_e_noise = np.sum(e_noise**2)      # ||e_noise||²
+
+    # 同样加上 epsilon 防止除以零
+    if power_e_noise < epsilon:
+        # 如果噪声能量极小, 说明匹配得非常好
+        return np.inf  # 返回正无穷
+
+    si_sdr_val = 10 * np.log10(power_s_target / (power_e_noise + epsilon))
+
+    return si_sdr_val
+
+
+if __name__ == "__main__":
+    # 生成测试信号
+    speech = np.random.randn(1000)
+    noise = np.random.randn(1000) * 0.1  # 较小的噪声
+    noisy = speech + noise
+
+    # 测试各种信噪比计算方法
+    print(f"SNR: {get_snr(speech, noise):.2f} dB")
+    print(f"Segmental SNR: {seg_snr(speech, noisy, 100, 50):.2f} dB")
+    print(f"PSNR: {psnr(speech, noisy):.2f} dB")

neverlib/.history/metrics/spec_20250805234209.py

@@ -0,0 +1,45 @@
+"""
+频域的客观评价指标
+LSD: 对数谱距离
+"""
+import sys
+sys.path.append("..")
+import numpy as np
+import librosa
+from utils import EPS
+
+
+def lsd(reference, estimate, n_fft=2048, hop_length=512, win_length=None):
+    """
+    计算两个一维音频信号之间的对数谱距离 (Log-Spectral Distance, LSD)。
+    该实现遵循标准的LSD定义: 整体均方根误差。
+
+    Args:
+        reference (np.ndarray): 原始的、干净的参考信号 (一维数组)。
+        estimate (np.ndarray): 模型估计或处理后的信号 (一维数组)。
+        n_fft (int): FFT点数, 决定了频率分辨率。
+        hop_length (int): 帧移, 决定了时间分辨率。
+        win_length (int, optional): 窗长。如果为None, 则默认为n_fft。
+        epsilon (float): 一个非常小的数值, 用于防止对零取对数, 保证数值稳定性。
+
+    Returns:
+        float: 对数谱距离值, 单位为分贝 (dB)。
+    """
+    assert reference.ndim == 1 and estimate.ndim == 1, "输入信号必须是一维数组。"
+    
+    if win_length is None:
+        win_length = n_fft
+
+    reference_stft = librosa.stft(reference, n_fft=n_fft, hop_length=hop_length, win_length=win_length) # (F,T)
+    estimate_stft = librosa.stft(estimate, n_fft=n_fft, hop_length=hop_length, win_length=win_length) # (F,T)
+
+    reference_power_spec = np.abs(reference_stft) ** 2 # (F,T)
+    estimate_power_spec = np.abs(estimate_stft) ** 2 # (F,T)
+
+    reference_log_power_spec = 10 * np.log10(reference_power_spec + EPS)
+    estimate_log_power_spec = 10 * np.log10(estimate_power_spec + EPS)
+
+    squared_error = (reference_log_power_spec - estimate_log_power_spec) ** 2
+    lsd_val = np.sqrt(np.mean(squared_error))
+
+    return lsd_val

neverlib/.history/metrics/spec_20250816135530.py

@@ -0,0 +1,11 @@
+"""
+频域的客观评价指标
+LSD: 对数谱距离
+"""
+import sys
+sys.path.append("..")
+import numpy as np
+import librosa
+from utils import EPS
+
+

neverlib/.history/metrics/spec_20250816135654.py

@@ -0,0 +1,16 @@
+'''
+Author: 凌逆战 | Never
+Date: 2025-08-05 23:42:10
+Description: 
+'''
+"""
+频域的客观评价指标
+LSD: 对数谱距离
+"""
+import sys
+sys.path.append("..")
+import numpy as np
+import librosa
+from utils import EPS
+
+

neverlib/.history/metrics/spec_20250816135736.py

@@ -0,0 +1,68 @@
+'''
+Author: 凌逆战 | Never
+Date: 2025-08-16 13:51:57
+Description: 频域客观度量指标
+'''
+
+import librosa
+import numpy as np
+import soundfile as sf
+from neverlib.utils import EPS
+
+
+
+
+
+def lsd(ref_wav, test_wav, n_fft=2048, hop_length=512, win_length=None):
+    """
+    计算两个一维音频信号之间的对数谱距离 (Log-Spectral Distance, LSD)。
+    该实现遵循标准的LSD定义: 整体均方根误差。
+
+    Args:
+        ref_wav (np.ndarray): 原始的、干净的参考信号 (一维数组)。
+        test_wav (np.ndarray): 模型估计或处理后的信号 (一维数组)。
+        n_fft (int): FFT点数, 决定了频率分辨率。
+        hop_length (int): 帧移, 决定了时间分辨率。
+        win_length (int, optional): 窗长。如果为None, 则默认为n_fft。
+        epsilon (float): 一个非常小的数值, 用于防止对零取对数, 保证数值稳定性。
+
+    Returns:
+        float: 对数谱距离值, 单位为分贝 (dB)。
+    """
+    assert ref_wav.ndim == 1 and test_wav.ndim == 1, "输入信号必须是一维数组。"
+    
+    if win_length is None:
+        win_length = n_fft
+
+    ref_stft = librosa.stft(ref_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length) # (F,T)
+    test_stft = librosa.stft(test_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length) # (F,T)
+
+    ref_power_spec = np.abs(ref_stft) ** 2 # (F,T)
+    test_power_spec = np.abs(test_stft) ** 2 # (F,T)
+
+    ref_log_power_spec = 10 * np.log10(ref_power_spec + EPS)
+    test_log_power_spec = 10 * np.log10(test_power_spec + EPS)
+
+    squared_error = (ref_log_power_spec - test_log_power_spec) ** 2
+    lsd_val = np.sqrt(np.mean(squared_error))
+
+    return lsd_val
+
+def mcd(ref_wav, test_wav, sr=16000):
+    """
+    梅尔倒谱距离 Mel-Cepstral Distance
+    ref_spec: 参考频谱
+    test_spec: 测试频谱
+    """
+    ref_wav, ref_sr = sf.read(ref_wav)
+    test_wav, test_sr = sf.read(test_wav)
+    assert ref_sr == test_sr == sr, "采样率必须为16000Hz"
+    assert len(ref_wav) == len(test_wav), "音频长度必须相同"
+    
+    ref_mfcc = librosa.feature.mfcc(y=ref_wav, sr=sr)
+    test_mfcc = librosa.feature.mfcc(y=test_wav, sr=sr)
+    
+    # 计算 MCD (跳过 0 阶)
+    diff = ref_mfcc[1:] - test_mfcc[1:]
+    mcd = (10.0 / np.log(10)) * np.sqrt(2 * np.mean(np.sum(diff ** 2, axis=0)))
+    return mcd

neverlib/.history/metrics/spec_20250816135904.py

@@ -0,0 +1,75 @@
+'''
+Author: 凌逆战 | Never
+Date: 2025-08-16 13:51:57
+Description: 频域客观度量指标
+'''
+
+import librosa
+import numpy as np
+import soundfile as sf
+from neverlib.utils import EPS
+
+
+def sd(ref_wav, test_wav, n_fft=2048, hop_length=512, win_length=None):
+    """
+    频谱距离
+    """
+    ref_spec = librosa.stft(ref_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length)
+    test_spec = librosa.stft(test_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length)
+    return np.sqrt(np.mean((ref_spec - test_spec) ** 2))
+
+
+
+def lsd(ref_wav, test_wav, n_fft=2048, hop_length=512, win_length=None):
+    """
+    计算两个一维音频信号之间的对数谱距离 (Log-Spectral Distance, LSD)。
+    该实现遵循标准的LSD定义: 整体均方根误差。
+
+    Args:
+        ref_wav (np.ndarray): 原始的、干净的参考信号 (一维数组)。
+        test_wav (np.ndarray): 模型估计或处理后的信号 (一维数组)。
+        n_fft (int): FFT点数, 决定了频率分辨率。
+        hop_length (int): 帧移, 决定了时间分辨率。
+        win_length (int, optional): 窗长。如果为None, 则默认为n_fft。
+        epsilon (float): 一个非常小的数值, 用于防止对零取对数, 保证数值稳定性。
+
+    Returns:
+        float: 对数谱距离值, 单位为分贝 (dB)。
+    """
+    assert ref_wav.ndim == 1 and test_wav.ndim == 1, "输入信号必须是一维数组。"
+    
+    if win_length is None:
+        win_length = n_fft
+
+    ref_stft = librosa.stft(ref_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length) # (F,T)
+    test_stft = librosa.stft(test_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length) # (F,T)
+
+    ref_power_spec = np.abs(ref_stft) ** 2 # (F,T)
+    test_power_spec = np.abs(test_stft) ** 2 # (F,T)
+
+    ref_log_power_spec = 10 * np.log10(ref_power_spec + EPS)
+    test_log_power_spec = 10 * np.log10(test_power_spec + EPS)
+
+    squared_error = (ref_log_power_spec - test_log_power_spec) ** 2
+    lsd_val = np.sqrt(np.mean(squared_error))
+
+    return lsd_val
+
+def mcd(ref_wav, test_wav, sr=16000):
+    """
+    梅尔倒谱距离 Mel-Cepstral Distance
+    ref_spec: 参考频谱
+    test_spec: 测试频谱
+    """
+    ref_wav, ref_sr = sf.read(ref_wav)
+    test_wav, test_sr = sf.read(test_wav)
+    assert ref_sr == test_sr == sr, "采样率必须为16000Hz"
+    assert len(ref_wav) == len(test_wav), "音频长度必须相同"
+    
+    ref_mfcc = librosa.feature.mfcc(y=ref_wav, sr=sr)
+    test_mfcc = librosa.feature.mfcc(y=test_wav, sr=sr)
+    
+    # 计算 MCD (跳过 0 阶)
+    diff = ref_mfcc[1:] - test_mfcc[1:]
+    mcd = (10.0 / np.log(10)) * np.sqrt(2 * np.mean(np.sum(diff ** 2, axis=0)))
+    return mcd

neverlib/.history/metrics/spec_20250816135921.py

@@ -0,0 +1,82 @@
+'''
+Author: 凌逆战 | Never
+Date: 2025-08-16 13:51:57
+Description: 频域客观度量指标
+'''
+
+import librosa
+import numpy as np
+import soundfile as sf
+from neverlib.utils import EPS
+
+
+def sd(ref_wav, test_wav, n_fft=2048, hop_length=512, win_length=None):
+    """
+    频谱距离
+    """
+    ref_spec = librosa.stft(ref_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length)
+    test_spec = librosa.stft(test_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length)
+    return np.sqrt(np.mean((ref_spec - test_spec) ** 2))
+
+
+
+def lsd(ref_wav, test_wav, n_fft=2048, hop_length=512, win_length=None):
+    """
+    计算两个一维音频信号之间的对数谱距离 (Log-Spectral Distance, LSD)。
+    该实现遵循标准的LSD定义: 整体均方根误差。
+
+    Args:
+        ref_wav (np.ndarray): 原始的、干净的参考信号 (一维数组)。
+        test_wav (np.ndarray): 模型估计或处理后的信号 (一维数组)。
+        n_fft (int): FFT点数, 决定了频率分辨率。
+        hop_length (int): 帧移, 决定了时间分辨率。
+        win_length (int, optional): 窗长。如果为None, 则默认为n_fft。
+        epsilon (float): 一个非常小的数值, 用于防止对零取对数, 保证数值稳定性。
+
+    Returns:
+        float: 对数谱距离值, 单位为分贝 (dB)。
+    """
+    assert ref_wav.ndim == 1 and test_wav.ndim == 1, "输入信号必须是一维数组。"
+    
+    if win_length is None:
+        win_length = n_fft
+
+    ref_stft = librosa.stft(ref_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length) # (F,T)
+    test_stft = librosa.stft(test_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length) # (F,T)
+
+    ref_power_spec = np.abs(ref_stft) ** 2 # (F,T)
+    test_power_spec = np.abs(test_stft) ** 2 # (F,T)
+
+    ref_log_power_spec = 10 * np.log10(ref_power_spec + EPS)
+    test_log_power_spec = 10 * np.log10(test_power_spec + EPS)
+
+    squared_error = (ref_log_power_spec - test_log_power_spec) ** 2
+    lsd_val = np.sqrt(np.mean(squared_error))
+
+    return lsd_val
+
+def mcd(ref_wav, test_wav, sr=16000):
+    """
+    梅尔倒谱距离 Mel-Cepstral Distance
+    ref_spec: 参考频谱
+    test_spec: 测试频谱
+    """
+    ref_wav, ref_sr = sf.read(ref_wav)
+    test_wav, test_sr = sf.read(test_wav)
+    assert ref_sr == test_sr == sr, "采样率必须为16000Hz"
+    assert len(ref_wav) == len(test_wav), "音频长度必须相同"
+    
+    ref_mfcc = librosa.feature.mfcc(y=ref_wav, sr=sr)
+    test_mfcc = librosa.feature.mfcc(y=test_wav, sr=sr)
+    
+    # 计算 MCD (跳过 0 阶)
+    diff = ref_mfcc[1:] - test_mfcc[1:]
+    mcd = (10.0 / np.log(10)) * np.sqrt(2 * np.mean(np.sum(diff ** 2, axis=0)))
+    return mcd
+
+if __name__ == "__main__":
+    ref_file = "../data/vad_example.wav"   # 参考语音文件路径
+    test_file = "../data/vad_example.wav" # 测试语音文件路径
+
+    avg_dist, dist_list = lpc_lsp_distance(ref_file, test_file)
+    print(f"平均 LSP MSE 失真: {avg_dist}")

neverlib/.history/metrics/spec_20250816140111.py

@@ -0,0 +1,82 @@
+'''
+Author: 凌逆战 | Never
+Date: 2025-08-16 13:51:57
+Description: 频域客观度量指标
+'''
+
+import librosa
+import numpy as np
+import soundfile as sf
+from neverlib.utils import EPS
+
+
+def sd(ref_wav, test_wav, n_fft=2048, hop_length=512, win_length=None):
+    """
+    频谱距离
+    """
+    ref_spec = librosa.stft(ref_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length)
+    test_spec = librosa.stft(test_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length)
+    return np.sqrt(np.mean((ref_spec - test_spec) ** 2))
+
+
+
+def lsd(ref_wav, test_wav, n_fft=2048, hop_length=512, win_length=None):
+    """
+    计算两个一维音频信号之间的对数谱距离 (Log-Spectral Distance, LSD)。
+    该实现遵循标准的LSD定义: 整体均方根误差。
+
+    Args:
+        ref_wav (np.ndarray): 原始的、干净的参考信号 (一维数组)。
+        test_wav (np.ndarray): 模型估计或处理后的信号 (一维数组)。
+        n_fft (int): FFT点数, 决定了频率分辨率。
+        hop_length (int): 帧移, 决定了时间分辨率。
+        win_length (int, optional): 窗长。如果为None, 则默认为n_fft。
+        epsilon (float): 一个非常小的数值, 用于防止对零取对数, 保证数值稳定性。
+
+    Returns:
+        float: 对数谱距离值, 单位为分贝 (dB)。
+    """
+    assert ref_wav.ndim == 1 and test_wav.ndim == 1, "输入信号必须是一维数组。"
+    
+    if win_length is None:
+        win_length = n_fft
+
+    ref_stft = librosa.stft(ref_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length) # (F,T)
+    test_stft = librosa.stft(test_wav, n_fft=n_fft, hop_length=hop_length, win_length=win_length) # (F,T)
+
+    ref_power_spec = np.abs(ref_stft) ** 2 # (F,T)
+    test_power_spec = np.abs(test_stft) ** 2 # (F,T)
+
+    ref_log_power_spec = 10 * np.log10(ref_power_spec + EPS)
+    test_log_power_spec = 10 * np.log10(test_power_spec + EPS)
+
+    squared_error = (ref_log_power_spec - test_log_power_spec) ** 2
+    lsd_val = np.sqrt(np.mean(squared_error))
+
+    return lsd_val
+
+def mcd(ref_wav, test_wav, sr=16000):
+    """
+    梅尔倒谱距离 Mel-Cepstral Distance
+    ref_spec: 参考频谱
+    test_spec: 测试频谱
+    """
+    ref_wav, ref_sr = sf.read(ref_wav)
+    test_wav, test_sr = sf.read(test_wav)
+    assert ref_sr == test_sr == sr, "采样率必须为16000Hz"
+    assert len(ref_wav) == len(test_wav), "音频长度必须相同"
+    
+    ref_mfcc = librosa.feature.mfcc(y=ref_wav, sr=sr)
+    test_mfcc = librosa.feature.mfcc(y=test_wav, sr=sr)
+    
+    # 计算 MCD (跳过 0 阶)
+    diff = ref_mfcc[1:] - test_mfcc[1:]
+    mcd = (10.0 / np.log(10)) * np.sqrt(2 * np.mean(np.sum(diff ** 2, axis=0)))
+    return mcd
+
+if __name__ == "__main__":
+    ref_file = "../data/000_short_enhance.wav"   # 参考语音文件路径
+    test_file = "../data/vad_example.wav" # 测试语音文件路径
+
+    avg_dist, dist_list = lpc_lsp_distance(ref_file, test_file)
+    print(f"平均 LSP MSE 失真: {avg_dist}")