neverlib 0.2.3__py3-none-any.whl → 0.2.4__py3-none-any.whl

neverlib/.history/metrics/spec_20250816140654.py

@@ -0,0 +1,148 @@
+'''
+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):
+    """
+    计算两个音频信号之间的频谱距离 (Spectral Distance)。
+    该指标衡量两个信号在频域上的差异程度。
+
+    Args:
+        ref_wav (np.ndarray): 参考音频信号 (一维数组)
+        test_wav (np.ndarray): 测试音频信号 (一维数组)
+        n_fft (int): FFT点数，决定频率分辨率，默认为2048
+        hop_length (int): 帧移，决定时间分辨率，默认为512
+        win_length (int, optional): 窗长，如果为None则默认为n_fft
+
+    Returns:
+        float: 频谱距离值，值越小表示两个信号越相似
+
+    Raises:
+        ValueError: 当输入参数无效时
+        AssertionError: 当输入信号维度不正确时
+    """
+    assert len(ref_wav) == len(test_wav), "输入信号长度必须相同"
+    
+    # 设置默认窗长
+    if win_length is None:
+        win_length = n_fft
+    
+    # 计算短时傅里叶变换
+    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)
+    
+    # 计算频谱距离：均方根误差
+    spec_diff = ref_spec - test_spec
+    squared_diff = np.abs(spec_diff) ** 2
+    mean_squared_diff = np.mean(squared_diff)
+    sd_value = np.sqrt(mean_squared_diff)
+    
+    return sd_value
+
+
+
+
+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__":
+    # 测试sd函数
+    print("=== 测试频谱距离 (SD) 函数 ===")
+    
+    # 创建测试音频数据
+    sr = 16000
+    duration = 1.0  # 1秒
+    t = np.linspace(0, duration, int(sr * duration), False)
+    
+    # 参考信号：正弦波
+    ref_wav = np.sin(2 * np.pi * 440 * t)  # 440Hz
+    
+    # 测试信号1：相同的正弦波（应该距离为0）
+    test_wav1 = np.sin(2 * np.pi * 440 * t)
+    
+    # 测试信号2：不同频率的正弦波
+    test_wav2 = np.sin(2 * np.pi * 880 * t)  # 880Hz
+    
+    # 测试信号3：添加噪声
+    test_wav3 = ref_wav + 0.1 * np.random.randn(len(ref_wav))
+    
+    try:
+        # 测试相同信号
+        sd1 = sd(ref_wav, test_wav1)
+        print(f"相同信号之间的SD: {sd1:.6f} (应该接近0)")
+        
+        # 测试不同频率信号
+        sd2 = sd(ref_wav, test_wav2)
+        print(f"不同频率信号之间的SD: {sd2:.6f}")
+        
+        # 测试带噪声信号
+        sd3 = sd(ref_wav, test_wav3)
+        print(f"带噪声信号之间的SD: {sd3:.6f}")
+        
+        # 测试不同参数
+        sd4 = sd(ref_wav, test_wav3, n_fft=1024, hop_length=256)
+        print(f"使用不同参数的SD: {sd4:.6f}")
+        
+    except Exception as e:
+        print(f"测试过程中发生错误: {e}")
+    
+    print("\n=== 测试完成 ===")

neverlib/.history/metrics/spec_20250816140705.py

@@ -0,0 +1,144 @@
+'''
+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):
+    """
+    计算两个音频信号之间的频谱距离 (Spectral Distance)。
+    该指标衡量两个信号在频域上的差异程度。
+
+    Args:
+        ref_wav (np.ndarray): 参考音频信号 (一维数组)
+        test_wav (np.ndarray): 测试音频信号 (一维数组)
+        n_fft (int): FFT点数，决定频率分辨率，默认为2048
+        hop_length (int): 帧移，决定时间分辨率，默认为512
+        win_length (int, optional): 窗长，如果为None则默认为n_fft
+
+    Returns:
+        float: 频谱距离值，值越小表示两个信号越相似
+
+    Raises:
+        ValueError: 当输入参数无效时
+        AssertionError: 当输入信号维度不正确时
+    """
+    assert len(ref_wav) == len(test_wav), "输入信号长度必须相同"
+    
+    # 计算短时傅里叶变换
+    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)
+    
+    # 计算频谱距离：均方根误差
+    spec_diff = ref_spec - test_spec
+    squared_diff = np.abs(spec_diff) ** 2
+    mean_squared_diff = np.mean(squared_diff)
+    sd_value = np.sqrt(mean_squared_diff)
+    
+    return sd_value
+
+
+
+
+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__":
+    # 测试sd函数
+    print("=== 测试频谱距离 (SD) 函数 ===")
+    
+    # 创建测试音频数据
+    sr = 16000
+    duration = 1.0  # 1秒
+    t = np.linspace(0, duration, int(sr * duration), False)
+    
+    # 参考信号：正弦波
+    ref_wav = np.sin(2 * np.pi * 440 * t)  # 440Hz
+    
+    # 测试信号1：相同的正弦波（应该距离为0）
+    test_wav1 = np.sin(2 * np.pi * 440 * t)
+    
+    # 测试信号2：不同频率的正弦波
+    test_wav2 = np.sin(2 * np.pi * 880 * t)  # 880Hz
+    
+    # 测试信号3：添加噪声
+    test_wav3 = ref_wav + 0.1 * np.random.randn(len(ref_wav))
+    
+    try:
+        # 测试相同信号
+        sd1 = sd(ref_wav, test_wav1)
+        print(f"相同信号之间的SD: {sd1:.6f} (应该接近0)")
+        
+        # 测试不同频率信号
+        sd2 = sd(ref_wav, test_wav2)
+        print(f"不同频率信号之间的SD: {sd2:.6f}")
+        
+        # 测试带噪声信号
+        sd3 = sd(ref_wav, test_wav3)
+        print(f"带噪声信号之间的SD: {sd3:.6f}")
+        
+        # 测试不同参数
+        sd4 = sd(ref_wav, test_wav3, n_fft=1024, hop_length=256)
+        print(f"使用不同参数的SD: {sd4:.6f}")
+        
+    except Exception as e:
+        print(f"测试过程中发生错误: {e}")
+    
+    print("\n=== 测试完成 ===")

neverlib/.history/metrics/spec_20250816140755.py

@@ -0,0 +1,138 @@
+'''
+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):
+    """
+    计算两个音频信号之间的频谱距离 (Spectral Distance)。
+    该指标衡量两个信号在频域上的差异程度。
+    Args:
+        ref_wav (np.ndarray): 参考音频信号 (一维数组)
+        test_wav (np.ndarray): 测试音频信号 (一维数组)
+        n_fft (int): FFT点数，决定频率分辨率，默认为2048
+        hop_length (int): 帧移，决定时间分辨率，默认为512
+        win_length (int, optional): 窗长，如果为None则默认为n_fft
+    Returns:
+        float: 频谱距离值，值越小表示两个信号越相似
+    """
+    assert len(ref_wav) == len(test_wav), "输入信号长度必须相同"
+    
+    # 计算短时傅里叶变换
+    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)
+    
+    # 计算频谱距离：均方根误差
+    spec_diff = ref_spec - test_spec
+    squared_diff = np.abs(spec_diff) ** 2
+    mean_squared_diff = np.mean(squared_diff)
+    sd_value = np.sqrt(mean_squared_diff)
+    
+    return sd_value
+
+
+
+
+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__":
+    # 测试sd函数
+    print("=== 测试频谱距离 (SD) 函数 ===")
+    
+    # 创建测试音频数据
+    sr = 16000
+    duration = 1.0  # 1秒
+    t = np.linspace(0, duration, int(sr * duration), False)
+    
+    # 参考信号：正弦波
+    ref_wav = np.sin(2 * np.pi * 440 * t)  # 440Hz
+    
+    # 测试信号1：相同的正弦波（应该距离为0）
+    test_wav1 = np.sin(2 * np.pi * 440 * t)
+    
+    # 测试信号2：不同频率的正弦波
+    test_wav2 = np.sin(2 * np.pi * 880 * t)  # 880Hz
+    
+    # 测试信号3：添加噪声
+    test_wav3 = ref_wav + 0.1 * np.random.randn(len(ref_wav))
+    
+    try:
+        # 测试相同信号
+        sd1 = sd(ref_wav, test_wav1)
+        print(f"相同信号之间的SD: {sd1:.6f} (应该接近0)")
+        
+        # 测试不同频率信号
+        sd2 = sd(ref_wav, test_wav2)
+        print(f"不同频率信号之间的SD: {sd2:.6f}")
+        
+        # 测试带噪声信号
+        sd3 = sd(ref_wav, test_wav3)
+        print(f"带噪声信号之间的SD: {sd3:.6f}")
+        
+        # 测试不同参数
+        sd4 = sd(ref_wav, test_wav3, n_fft=1024, hop_length=256)
+        print(f"使用不同参数的SD: {sd4:.6f}")
+        
+    except Exception as e:
+        print(f"测试过程中发生错误: {e}")
+    
+    print("\n=== 测试完成 ===")

neverlib/.history/metrics/spec_20250816140823.py

@@ -0,0 +1,170 @@
+'''
+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):
+    """
+    计算两个音频信号之间的频谱距离 (Spectral Distance)。
+    该指标衡量两个信号在频域上的差异程度。
+    Args:
+        ref_wav (np.ndarray): 参考音频信号 (一维数组)
+        test_wav (np.ndarray): 测试音频信号 (一维数组)
+        n_fft (int): FFT点数，决定频率分辨率，默认为2048
+        hop_length (int): 帧移，决定时间分辨率，默认为512
+        win_length (int, optional): 窗长，如果为None则默认为n_fft
+    Returns:
+        float: 频谱距离值，值越小表示两个信号越相似
+    """
+    assert len(ref_wav) == len(test_wav), "输入信号长度必须相同"
+    
+    # 计算短时傅里叶变换
+    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)
+    
+    # 计算频谱距离：均方根误差
+    spec_diff = ref_spec - test_spec
+    squared_diff = np.abs(spec_diff) ** 2
+    mean_squared_diff = np.mean(squared_diff)
+    sd_value = np.sqrt(mean_squared_diff)
+    
+    return sd_value
+
+
+
+
+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, n_mfcc=13):
+    """
+    计算两个音频信号之间的梅尔倒谱距离 (Mel-Cepstral Distance, MCD)。
+    该指标常用于语音合成质量评估，值越小表示两个信号越相似。
+
+    Args:
+        ref_wav (np.ndarray): 参考音频信号 (一维数组)
+        test_wav (np.ndarray): 测试音频信号 (一维数组)
+        sr (int): 采样率，默认为16000Hz
+        n_mfcc (int): MFCC系数个数，默认为13
+
+    Returns:
+        float: 梅尔倒谱距离值，值越小表示两个信号越相似
+
+    Raises:
+        ValueError: 当输入参数无效时
+        AssertionError: 当输入信号不满足要求时
+    """
+    # 输入验证
+    if not isinstance(ref_wav, np.ndarray) or not isinstance(test_wav, np.ndarray):
+        raise ValueError("输入信号必须是numpy数组")
+    
+    if ref_wav.ndim != 1 or test_wav.ndim != 1:
+        raise AssertionError("输入信号必须是一维数组")
+    
+    if len(ref_wav) == 0 or len(test_wav) == 0:
+        raise ValueError("输入信号不能为空")
+    
+    if len(ref_wav) != len(test_wav):
+        raise ValueError("参考信号和测试信号长度必须相同")
+    
+    if sr <= 0:
+        raise ValueError("采样率必须为正数")
+    
+    if n_mfcc <= 0:
+        raise ValueError("MFCC系数个数必须为正数")
+    
+    try:
+        # 计算MFCC特征
+        ref_mfcc = librosa.feature.mfcc(y=ref_wav, sr=sr, n_mfcc=n_mfcc)
+        test_mfcc = librosa.feature.mfcc(y=test_wav, sr=sr, n_mfcc=n_mfcc)
+        
+        # 计算MCD (跳过0阶系数，因为0阶主要表示能量)
+        diff = ref_mfcc[1:] - test_mfcc[1:]
+        mcd_value = (10.0 / np.log(10)) * np.sqrt(2 * np.mean(np.sum(diff ** 2, axis=0)))
+        
+        return mcd_value
+        
+    except Exception as e:
+        raise RuntimeError(f"计算梅尔倒谱距离时发生错误: {str(e)}")
+
+if __name__ == "__main__":
+    # 测试sd函数
+    print("=== 测试频谱距离 (SD) 函数 ===")
+    
+    # 创建测试音频数据
+    sr = 16000
+    duration = 1.0  # 1秒
+    t = np.linspace(0, duration, int(sr * duration), False)
+    
+    # 参考信号：正弦波
+    ref_wav = np.sin(2 * np.pi * 440 * t)  # 440Hz
+    
+    # 测试信号1：相同的正弦波（应该距离为0）
+    test_wav1 = np.sin(2 * np.pi * 440 * t)
+    
+    # 测试信号2：不同频率的正弦波
+    test_wav2 = np.sin(2 * np.pi * 880 * t)  # 880Hz
+    
+    # 测试信号3：添加噪声
+    test_wav3 = ref_wav + 0.1 * np.random.randn(len(ref_wav))
+    
+    try:
+        # 测试相同信号
+        sd1 = sd(ref_wav, test_wav1)
+        print(f"相同信号之间的SD: {sd1:.6f} (应该接近0)")
+        
+        # 测试不同频率信号
+        sd2 = sd(ref_wav, test_wav2)
+        print(f"不同频率信号之间的SD: {sd2:.6f}")
+        
+        # 测试带噪声信号
+        sd3 = sd(ref_wav, test_wav3)
+        print(f"带噪声信号之间的SD: {sd3:.6f}")
+        
+        # 测试不同参数
+        sd4 = sd(ref_wav, test_wav3, n_fft=1024, hop_length=256)
+        print(f"使用不同参数的SD: {sd4:.6f}")
+        
+    except Exception as e:
+        print(f"测试过程中发生错误: {e}")
+    
+    print("\n=== 测试完成 ===")