如何提取各声音事件时长内的振幅包络数组？

核心思路 #

要从整段音频的振幅包络中截取指定时间段的部分，关键是把事件的时间区间转换为包络数组对应的帧索引，再做切片截取。

1. 先对齐你的基础代码 #

假设你当前计算整段振幅包络的代码如下（如果你的参数不同，后续要保持一致）：

import librosa
import numpy as np

# 加载音频（sr=None保留原采样率）
y, sr = librosa.load('your_audio.wav', sr=None)

# 计算振幅包络（这里用短时均方根RMS，是常用的振幅包络计算方式）
frame_length = 2048  # 帧长，可根据需求调整
hop_length = 512    # 帧移，决定包络的时间分辨率
full_envelope = librosa.feature.rms(y=y, frame_length=frame_length, hop_length=hop_length).flatten()

2. 处理事件时间区间 #

如果你的事件只给了时长（比如第一个0.79s、第二个0.21s），需要先把时长转换成起始-结束时间对（假设事件是连续的，从0开始）：

# 示例：事件时长列表，按顺序排列
event_durations = [0.79, 0.21, 0.9]

# 转换为(start_time, end_time)的区间列表
event_time_ranges = []
current_start = 0.0
for dur in event_durations:
    current_end = current_start + dur
    event_time_ranges.append((current_start, current_end))
    current_start = current_end

如果已经有明确的起始/结束时间，直接用对应的列表即可。

3. 时间转帧索引并截取包络 #

用librosa的time_to_frames函数把时间转成包络数组的索引，然后切片提取：

event_envelopes = []
for start_t, end_t in event_time_ranges:
    # 把时间转换为帧索引
    start_idx = librosa.time_to_frames(start_t, sr=sr, hop_length=hop_length)
    end_idx = librosa.time_to_frames(end_t, sr=sr, hop_length=hop_length)
    
    # 防止索引越界（比如结束时间超过音频总长）
    end_idx = min(end_idx, len(full_envelope) - 1)
    
    # 切片截取对应区间的包络（Python切片左闭右开，所以end_idx+1）
    event_env = full_envelope[start_idx:end_idx+1]
    event_envelopes.append(event_env)

# 查看结果
for idx, env in enumerate(event_envelopes):
    print(f"第{idx+1}个事件的振幅包络：\n{env}\n包络长度（帧数量）：{len(env)}\n")

关键注意事项 #

• 必须保证帧长、帧移参数和计算整段包络时完全一致，否则时间和帧索引的对应关系会出错
• 如果事件不是从0开始连续的，直接修改event_time_ranges为你的实际时间区间即可
• 若需要更精细的时间分辨率，可以调小hop_length（但会增加包络数组的长度）

内容的提问来源于stack exchange，提问作者Megan