Voici les paramètres matplotlib.specgram
matplotlib.mlab.specgram(x,
NFFT=256,
Fs=2,
detrend=<function detrend_none at 0x1dd6410>,
window=<function window_hanning at 0x1e0b1b8>,
noverlap=128,
pad_to=None,
sides='default',
scale_by_freq=None)
Les paramètres fournis dans la description de la question doivent être convertis en paramètres de mpl.specgram comparables. Voici un exemple de mappage:
View range: 0-8000Hz Fs=16000
Window length: 0.005s NFFT = int(Fs*0.005) = 80
noverlap = int(Fs*0.0025) = 40
Dynamic range: 70dB n/a
Time steps: 1000 n/a
Frequency steps: 250
Window shape: Gaussian default window is hanning change to gaussian
Si vous utilisez 8 ms, vous obtiendrez une puissance de 2 FFT (128). Ce qui suit est la description des paramètres Praat de leur site Web
Plage d'affichage (Hz) d'affichage : la plage de fréquences à afficher. La norme est de 0 Hz en bas et de 5000 Hz en haut. Si cette fréquence maximale est supérieure à la fréquence de Nyquist du son (qui est la moitié de sa fréquence d'échantillonnage), certaines valeurs du spectrogramme seront nulles et les fréquences plus élevées seront dessinées en blanc. Vous pouvez le voir si vous enregistrez un son à 44100 Hz et réglez la plage d'affichage de 0 Hz à 25000 Hz.
Longueur de fenêtre : la durée de la fenêtre d'analyse. Si c'est 0,005 seconde (la norme), Praat utilise pour chaque image la partie du son qui se situe entre 0,0025 seconde avant et 0,0025 seconde après le centre de cette image (pour les fenêtres gaussiennes, Praat utilise en fait un peu plus que cela). La longueur de la fenêtre détermine la largeur de bande de l'analyse spectrale, c'est-à-dire la largeur de la ligne horizontale dans le spectrogramme d'une onde sinusoïdale pure (voir ci-dessous). Pour une fenêtre gaussienne, la bande passante de -3 dB est de 2 * sqrt (6 * ln (2)) / (π * longueur de fenêtre) ou 1,29880804 / longueur de fenêtre. Pour obtenir unbroad-band' spectrogram (bandwidth 260 Hz), keep the standard window
length of 5 ms; to get a spectrogramme à bande étroite (bande passante 43 Hz), réglez-le sur 30 ms (0,03 seconde). Les autres formes de fenêtres donnent des valeurs légèrement différentes.
Plage dynamique (dB) : Toutes les valeurs supérieures à la plage dynamique dB en dessous du maximum (peut-être après compression dynamique, voir Paramètres avancés du spectrogramme ...) seront tracées en blanc. Les valeurs intermédiaires ont des nuances de gris appropriées. Ainsi, si le pic le plus élevé du spectrogramme a une hauteur de 30 dB / Hz et que la plage dynamique est de 50 dB (qui est la valeur standard), les valeurs inférieures à -20 dB / Hz seront tracées en blanc et les valeurs comprises entre -20 dB / Hz et 30 dB / Hz seront dessinés dans différentes nuances de gris.
Lien vers les paramètres Praat
La question du PO pourrait concerner la différence de contraste entre le specgramme Praat et le specgramme mpl (matplotlib). Praat a un réglage de plage dynamique qui affecte le contraste. La fonction mpl n'a pas de réglage / paramètre similaire. Le mpl.specgram renvoie le tableau 2D de niveaux de puissance (le spectrogramme), la plage dynamique pourrait être appliquée au tableau de retour et retracée.
Voici un extrait de code pour créer les tracés ci-dessous. L'exemple est ~ 1m15s de parole avec un chirp de 20Hz-8000Hz.
import numpy
import pylab
import wave
import array
pylab.close('all')
w1 = wave.open('example_no_noise.wav')
w2 = wave.open('example_noise.wav')
# hmmm, probably a better way to do this, scipy.io function?
x1 = numpy.array(array.array('h', w1.readframes(w1.getnframes())))
x2 = numpy.array(array.array('h', w2.readframes(w2.getnframes())))
x1 = x1 / (2.**(16-1)) # normalize
x2 = x2 / (2.**(16-1)) # normalize
Fs = 16000.
NFFT = int(Fs*0.005) # 5ms window
noverlap = int(Fs*0.0025)
pylab.figure(1)
pylab.specgram(x1, NFFT=NFFT, Fs=Fs, noverlap=noverlap,
cmap=pylab.get_cmap('Greys'))
pylab.title('Full 1m15s example min noise')
pylab.figure(2)
pylab.specgram(x2, NFFT=NFFT, Fs=Fs, noverlap=noverlap,
cmap=pylab.get_cmap('Greys'))
pylab.title('Full 1m15s example more noise')
pylab.figure(3); n=2100*176;
pylab.specgram(x2[n:n+256*256], NFFT=NFFT, Fs=Fs, noverlap=noverlap,
cmap=pylab.get_cmap('Greys'))
pylab.title('Full ~4s example min noise')
pylab.figure(4); pylab.plot(x1[n:n+256*256])
