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

neverlib/metrics/lpc_lsp.py

@@ -0,0 +1,118 @@
+'''
+  功能描述
+
+  计算参考语音和测试语音之间的线性预测编码-线谱对(LPC-LSP)参
+  数失真度
+
+  主要组件
+
+  预处理函数:
+  - pre_emphasis(): 预加重滤波，增强高频成分
+  - framing(): 分帧处理并应用汉明窗
+
+  LPC分析:
+  - lpc_analysis(): 使用librosa.lpc进行线性预测分析
+  - lpc_to_lsp(): LPC系数转换为线谱对参数
+
+  距离计算:
+  - lsp_mse(): 计算LSP向量间的均方误差
+  - lpc_lsp_distance(): 主函数，返回平均失真度和逐帧失真列表
+
+  技术特点
+
+  - 使用soundfile读取音频（支持多种格式）
+  - librosa进行LPC分析（替代了自定义算法）
+  - 基于LSP的频域失真测量，对量化误差敏感度更低
+  - 逐帧分析捕捉语音时变特性
+
+  应用场景
+
+  语音编码器质量评估、语音增强效果测量、语音合成质量分析
+'''
+import numpy as np
+import librosa
+import soundfile as sf
+from neverlib.vad.PreProcess import pre_emphasis
+
+
+def framing(signal, frame_size, frame_stride, fs):
+    """分帧 + 汉明窗"""
+    frame_length = int(round(frame_size * fs))
+    frame_step = int(round(frame_stride * fs))
+    
+    # 使用 librosa 进行分帧
+    frames = librosa.util.frame(signal, frame_length=frame_length, hop_length=frame_step, axis=0)
+    
+    # frames的形状是(num_frames, frame_length)
+    hamming_window = np.hamming(frame_length)
+    frames = frames * hamming_window  # 直接广播
+    
+    return frames
+
+
+def lpc_to_lsp(a, num_points=512):
+    """
+    LPC -> LSP 转换（简易近似版，零点搜索法）
+    """
+    p = len(a) - 1
+    a = np.array(a)
+    # 构造P(z) Q(z)
+    P = np.zeros(p+1)
+    Q = np.zeros(p+1)
+    for i in range(p+1):
+        if i == 0:
+            P[i] = 1 + a[i]
+            Q[i] = 1 - a[i]
+        else:
+            P[i] = a[i] + a[p - i]
+            Q[i] = a[i] - a[p - i]
+    # 频域采样找过零点
+    w = np.linspace(0, np.pi, num_points)
+    Pw = np.polyval(P[::-1], np.cos(w))
+    Qw = np.polyval(Q[::-1], np.cos(w))
+    
+    # 找零点近似位置
+    roots_P = w[np.where(np.diff(np.sign(Pw)) != 0)]
+    roots_Q = w[np.where(np.diff(np.sign(Qw)) != 0)]
+    lsp = np.sort(np.concatenate([roots_P, roots_Q]))
+    return lsp
+
+
+def lpc_lsp_distance(ref_wav, test_wav, frame_size=0.025, frame_stride=0.01, order=12):
+    """主函数：计算 LPC-LSP 参数失真"""
+    ref_sig, fs_r = sf.read(ref_wav, dtype='float32')
+    test_sig, fs_t = sf.read(test_wav, dtype='float32')
+
+    # 预加重
+    ref_sig = pre_emphasis(ref_sig)
+    test_sig = pre_emphasis(test_sig)
+
+    # 分帧
+    ref_frames = framing(ref_sig, frame_size, frame_stride, fs_r)
+    test_frames = framing(test_sig, frame_size, frame_stride, fs_t)
+
+    # 对齐帧数（简单切到最短）
+    num_frames = min(len(ref_frames), len(test_frames))
+    ref_frames = ref_frames[:num_frames]
+    test_frames = test_frames[:num_frames]
+
+    distances = []
+    for i in range(num_frames):
+        a_ref = librosa.lpc(ref_frames[i], order=order)
+        a_test = librosa.lpc(test_frames[i], order=order)
+        lsp_ref = lpc_to_lsp(a_ref)
+        lsp_test = lpc_to_lsp(a_test)
+        # 对齐长度（简单裁切）
+        min_len = min(len(lsp_ref), len(lsp_test))
+        # 计算两个 LSP 向量的均方差
+        dist = np.mean((lsp_ref[:min_len] - lsp_test[:min_len]) ** 2)
+        distances.append(dist)
+
+    return np.mean(distances), distances
+
+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/metrics/snr.py

@@ -2,7 +2,7 @@ import sys
 sys.path.append("../")
 import librosa
 import numpy as np
-from vad.utils import vad2nad
+from neverlib.vad.utils import vad2nad
 
 
 def get_snr(speech, noise):
@@ -47,7 +47,14 @@ def get_snr_from_noisy(noisy, speech_vad=None):
         noise_segments.append(noisy[noise_point['start']:noise_point['end']])
     noise = np.concatenate(noise_segments, axis=0)
 
-    return get_snr(speech, noise)
+    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):
@@ -173,5 +180,5 @@ if __name__ == "__main__":
 
     # 测试各种信噪比计算方法
     print(f"SNR: {get_snr(speech, noise):.2f} dB")
-    print(f"Segmental SNR: {SegSNR(speech, noisy, 100, 50):.2f} dB")
-    print(f"PSNR: {PSNR(speech, noisy):.2f} dB")
+    print(f"Segmental SNR: {seg_snr(speech, noisy, 100, 50):.2f} dB")
+    print(f"PSNR: {psnr(speech, noisy):.2f} dB")

neverlib/metrics/spec.py

@@ -1,45 +1,136 @@
-"""
-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
+'''
+Author: 凌逆战 | Never
+Date: 2025-08-16 13:51:57
+Description: 音频信号频域客观度量指标计算工具
+主要功能:
+1. SD (Spectral Distance) - 频谱距离
+   - 计算两个音频信号在频域上的差异程度
+   - 适用于音频质量评估和信号相似性分析
+
+2. LSD (Log-Spectral Distance) - 对数谱距离
+   - 在对数功率谱域计算信号距离
+   - 更符合人耳听觉特性，常用于语音质量评估
+
+3. MCD (Mel-Cepstral Distance) - 梅尔倒谱距离
+   - 基于MFCC特征的音频相似性度量
+   - 广泛应用于语音合成、语音识别等任务
+'''
+
+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
+
+    """
+    assert len(ref_wav) == len(test_wav), "输入信号长度必须相同"
+
+    # 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
+
+
+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
+    
+    ref_wav, ref_sr = sf.read(ref_file)
+    test_wav, test_sr = sf.read(test_file)
+    assert ref_sr == test_sr == 16000, "采样率必须为16000Hz"
+    assert len(ref_wav) == len(test_wav), "音频长度必须相同"
+
+    mcd_value = mcd(ref_wav, test_wav)
+    print(f"梅尔倒谱距离: {mcd_value:.2f}")
+
+    lsd_value = lsd(ref_wav, test_wav)
+    print(f"对数谱距离: {lsd_value:.2f}")
+
+    sd_value = sd(ref_wav, test_wav)
+    print(f"频谱距离: {sd_value:.2f}")
+    

neverlib/utils/utils.py

@@ -21,7 +21,8 @@ def get_path_list(source_path, end="*.wav", shuffle=False):
         # 实现列表特殊字符的过滤或筛选,返回符合匹配“.wav”字符列表
         for filename in fnmatch.filter(filenames, end):
             wav_list.append(os.path.join(root, filename))
-    print(source_path, len(wav_list))
+    if os.environ.get("LOCAL_RANK", "0") == "0":
+        print(source_path, len(wav_list))
     if shuffle:
         random.shuffle(wav_list)
     return wav_list
@@ -143,19 +144,21 @@ def get_leaf_folders(directory):
 
 
 def del_empty_folders(path):
-    """ 递归删除空文件夹"""
-    assert os.path.isdir(path), f"{path} 不是一个有效的目录"
-
-    # os.walk(path, topdown=False) 会从最深的子目录开始向上遍历
-    for dirpath, dirnames, filenames in os.walk(path, topdown=False):
-        # 如果一个目录内既没有子目录, 也没有文件, 说明它是空的
-        if not dirnames and not filenames:
-            try:
-                os.rmdir(dirpath)
-                print(f"删除空文件夹: {dirpath}")
-            except OSError as e:
-                # 捕获可能的错误, 如权限不足或目录不是真的“空”（例如有隐藏文件）
-                print(f"删除失败: {dirpath} - {e}")
+    """递归删除空文件夹(先删除子文件夹, 再删除父文件夹)"""
+    if not os.path.isdir(path):
+        return
+
+    # 获取子文件夹
+    subfolders = [os.path.join(path, d) for d in os.listdir(path) if os.path.isdir(os.path.join(path, d))]
+
+    # 递归处理子文件夹
+    for subfolder in subfolders:
+        del_empty_folders(subfolder)
+
+    # 如果文件夹为空，则删除
+    if not os.listdir(path):
+        os.rmdir(path)
+        print(f"删除空文件夹: {path}")
 
 
 def DatasetSubfloderSplit(source_dir, split_dirs, percentage=None):

neverlib/vad/PreProcess.py

@@ -1,7 +1,7 @@
 '''
 Author: 凌逆战 | Never
 Date: 2025-02-13 20:06:07
-LastEditTime: 2025-03-17 16:06:11
+LastEditTime: 2025-08-16 02:07:24
 FilePath: \neverlib\vad\PreProcess.py
 Description: 
 '''
@@ -16,6 +16,9 @@ import noisereduce as nr
 
 
 def pre_emphasis(audio_data, alpha=0.97):
+    """
+    预加重
+    """
     # y(n)=x(n)−α⋅x(n−1)
     emphasized_audio = np.append(audio_data[0], audio_data[1:] - alpha * audio_data[:-1])
     return emphasized_audio
@@ -45,7 +48,7 @@ def NS(wav, sr=16000, stationary=True, prop_decrease=1.):
 def NS_test():
     import soundfile as sf
     sr = 16000
-    wav_path = "../../wav_data/000_short.wav"
+    wav_path = "../../data/vad_example.wav"
     wav, wav_sr = sf.read(wav_path, always_2d=False, dtype="float32")
     wav_NS = NS(wav, sr=sr, stationary=True, prop_decrease=0.6)
     sf.write("../../wav_data/000_short_NS.wav", wav_NS, samplerate=sr)

neverlib/vad/VAD_Silero.py

@@ -39,7 +39,7 @@ if __name__ == "__main__":
     from neverlib.vad.PreProcess import HPFilter, volume_norm
 
     sr = 16000
-    wav_path = "../../wav_data/000_short.wav"
+    wav_path = "../../data/vad_example.wav"
     wav, wav_sr = sf.read(wav_path, always_2d=False, dtype="float32")
     assert wav_sr == sr, f"音频采样率为{wav_sr}, 期望{sr}"
     wav = HPFilter(wav, sr=sr, order=6, cutoff=100)

neverlib/vad/VAD_WebRTC.py

@@ -38,7 +38,7 @@ if __name__ == "__main__":
     from neverlib.vad.PreProcess import HPFilter, volume_norm
 
     sr = 16000
-    wav_path = "../../wav_data/000_short.wav"
+    wav_path = "../../data/vad_example.wav"
     wav, wav_sr = sf.read(wav_path, always_2d=False, dtype="float32")
     assert wav_sr == sr, f"音频采样率为{wav_sr}, 期望{sr}"
     wav = HPFilter(wav, sr=sr, order=6, cutoff=100)

neverlib/vad/VAD_funasr.py

@@ -31,7 +31,7 @@ if __name__ == "__main__":
     from neverlib.vad.PreProcess import HPFilter, volume_norm
 
     sr = 16000
-    wav_path = "../../wav_data/000_short.wav"
+    wav_path = "../../data/vad_example.wav"
     wav, wav_sr = sf.read(wav_path, always_2d=False, dtype="float32")
     assert wav_sr == sr, f"音频采样率为{wav_sr}, 期望{sr}"
     wav = HPFilter(wav, sr=sr, order=6, cutoff=100)

neverlib/vad/VAD_vadlib.py

@@ -47,7 +47,7 @@ if __name__ == "__main__":
     from neverlib.vad.PreProcess import HPFilter, volume_norm
 
     sr = 16000
-    wav_path = "../../wav_data/000_short.wav"
+    wav_path = "../../data/vad_example.wav"
     wav, wav_sr = sf.read(wav_path, always_2d=False, dtype="float32")
     assert wav_sr == sr, f"音频采样率为{wav_sr}, 期望{sr}"
     wav = HPFilter(wav, sr=sr, order=6, cutoff=100)

neverlib/vad/VAD_whisper.py

@@ -43,7 +43,7 @@ if __name__ == "__main__":
     from neverlib.vad.PreProcess import HPFilter, volume_norm
 
     sr = 16000
-    wav_path = "../../wav_data/000_short.wav"
+    wav_path = "../../data/vad_example.wav"
     wav, wav_sr = sf.read(wav_path, always_2d=False, dtype="float32")
     assert wav_sr == sr, f"音频采样率为{wav_sr}, 期望{sr}"
     wav = HPFilter(wav, sr=sr, order=6, cutoff=100)

{neverlib-0.2.3.dist-info → neverlib-0.2.4.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: neverlib
-Version: 0.2.3
+Version: 0.2.4
 Summary: A successful sign for python setup
 Author-email: "Never.Ling" <1786088386@qq.com>
 License: MIT