如何从Librosa的chroma_stft获取以Hz为单位的音高类值

一、关于色度与Hz的核心说明 #

Librosa的chroma_stft返回的是12个音高类的强度分布（形状(12, t)），每个音高类对应跨八度的同调式频率集合（比如C类包含65.4Hz、130.8Hz、261.6Hz等所有八度的C音），本身没有单一固定的Hz值。如果需要对应某一基准八度的参考频率，可按以下方法计算。

二、获取每个色度对应的基准频率（Hz） #

可以通过Librosa的音高转换工具，直接生成12个音高类对应的基准频率（默认以A4=440Hz为基准，对应C4到B4的频率）：

import librosa

# 生成12个音高类对应的基准频率（C4到B4）
chroma_notes = ['C', 'C#', 'D', 'D#', 'E', 'F', 'F#', 'G', 'G#', 'A', 'A#', 'B']
chroma_freqs = librosa.midi_to_hz(librosa.note_to_midi(chroma_notes))

得到的chroma_freqs数组中，每个元素对应色度特征索引的基准Hz值（比如索引0对应C4的261.6Hz）。若需要其他八度的频率，只需对基准值乘以/除以2的整数次幂（比如C3为261.6/2=130.8Hz，C5为261.6*2=523.2Hz）。

三、获取时间轴信息 #

色度特征的时间维度可通过librosa.frames_to_time函数计算，基于你设置的采样率sr和hop_length参数：

# 生成对应每一列色度的时间轴（单位：秒）
times = librosa.frames_to_time(range(chroma.shape[1]), sr=44100, hop_length=3276)

times数组中的每个元素，对应色度特征每一列的起始时间点。

四、完整示例代码 #

import librosa
import numpy as np

# 加载音频信号（替换为你的音频路径）
audiosignal, sr = librosa.load("your_audio.wav", sr=44100)
window = np.hanning(8192)

# 计算色度特征
chroma = librosa.feature.chroma_stft(y=audiosignal, sr=sr, window=window, n_fft=8192, hop_length=3276)

# 获取色度对应的基准频率
chroma_notes = ['C', 'C#', 'D', 'D#', 'E', 'F', 'F#', 'G', 'G#', 'A', 'A#', 'B']
chroma_freqs = librosa.midi_to_hz(librosa.note_to_midi(chroma_notes))

# 获取时间轴
times = librosa.frames_to_time(range(chroma.shape[1]), sr=sr, hop_length=3276)

# 示例输出：第一个时间帧的音高类、基准频率和对应强度
print(f"时间点（秒）: {times[0]:.2f}")
for note, freq, strength in zip(chroma_notes, chroma_freqs, chroma[:, 0]):
    print(f"音高类: {note}, 基准频率: {freq:.2f}Hz, 强度: {strength:.4f}")

补充提示 #

如果需要精确的单频点信息，而不是跨八度的调式聚合，建议直接使用librosa.stft生成频谱图，而非色度特征——色度的核心是忽略八度差异，聚焦调式分布。

内容的提问来源于stack exchange，提问作者Luckyboy. Jupiterchen