波形图（Waveform）

是音频的最原始表示，也叫振幅图，衡量的是声音的震动幅度在时间维度上的状态。波形图的横坐标一般为时间，纵坐标一般为dB(即分贝)来表示。

• 优点：不丢失任何信息。
• 缺点：规律难以学习，难以进行长期依赖的建模

import librosa
import librosa.display
import matplotlib.pyplot as plt

audio_path = 'test.wav'

# y是波形，sr是采样率
y, sr = librosa.load(audio_path, sr=None)  

plt.figure(figsize=(10, 4))
librosa.display.waveshow(y, sr=sr)
plt.title('Waveform')
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')
plt.tight_layout()
plt.show()

频谱图（Spectrogram）

通过短时傅里叶变换（STFT）把声音从时域转换为频域信号，变成”时间+频率“的二维图像

• 优点：模型容易捕捉到其中的模式
• 缺点：频谱的维度高，且听感不直接

import librosa
import librosa.display
import matplotlib.pyplot as plt
import numpy as np

audio_path = 'test.wav'
y, sr = librosa.load(audio_path, sr=None)

D = np.abs(librosa.stft(y))
plt.figure(figsize=(10, 4))
librosa.display.specshow(librosa.amplitude_to_db(D, ref=np.max), sr=sr, x_axis='time', y_axis='log')
plt.title('Spectrogram')
plt.colorbar(format='%+2.0f dB')
plt.tight_layout()
plt.show()

梅尔谱图（Mel Spectrogram）

一种特殊的频谱图，它通过压缩频谱轴的方式（高频拉伸、低频压缩），把频率压缩到更接近人类听觉感知的Mel刻度上，类似于热力图。

• 优点：这种表示更加紧凑，且最趋近人耳的感知，最为常见（FastSpeech、Tacotron）
• 缺点：丢失信息，不能精准还原

import librosa
import librosa.display
import matplotlib.pyplot as plt

audio_path = 'test.wav'
y, sr = librosa.load(audio_path, sr=None)

S = librosa.feature.melspectrogram(y, sr=sr, n_mels=128)
S_dB = librosa.power_to_db(S, ref=np.max)

plt.figure(figsize=(10, 4))
librosa.display.specshow(S_dB, sr=sr, x_axis='time', y_axis='mel')
plt.title('Mel Spectrogram')
plt.colorbar(format='%+2.0f dB')
plt.tight_layout()
plt.show()

梅尔倒谱（MFCC）

对梅尔谱图再做一层 DCT（离散余弦变换），相当于提取音频的“共振峰”，是在进一步压缩信息的表示，把频谱数据变成一组更稳定、少量但足够的系数，适合做声纹识别、说话人识别。

• 优点：计算快，资源占用低，压缩强，信息密集
• 缺点：去掉了时序结构，不能反向还原音频

import librosa
import librosa.display
import matplotlib.pyplot as plt

audio_path = 'test.wav'
y, sr = librosa.load(audio_path, sr=None)

mfccs = librosa.feature.mfcc(y, sr=sr, n_mfcc=13)

plt.figure(figsize=(10, 4))
librosa.display.specshow(mfccs, sr=sr, x_axis='time')
plt.title('MFCC')
plt.colorbar()
plt.tight_layout()
plt.show()

Audio Waveform
↓ STFT（短时傅里叶变换）
Spectrogram
↓ Apply Mel Filter Bank
Mel Spectrogram
↓ DCT（离散余弦变换）
MFCC