如何使用librosa peak picking得到的onset结果提取60ms打击类音频片段

1. 调整librosa.util.peak_pick参数适配60ms打击信号 #

首先明确librosa.util.peak_pick的参数定义及转换逻辑：
函数语法为librosa.util.peak_pick(x, pre_max, post_max, pre_avg, post_avg, delta, wait)，其中所有帧长相关参数的单位都是「onset强度包络的帧」，默认配置下onset强度每帧时长约为23.2ms（sr=22050，hop_length=512）。
你当前使用的参数(10,10,10,10,2,60)中核心问题是wait=60，对应强制间隔约1.4s，会导致大量相邻的打击信号被漏检，调整方向如下：

• pre_max=2、post_max=2：打击信号 onset 陡度高，仅需前后2帧范围内找峰值即可，避免误判
• pre_avg=3、post_avg=3：前后3帧计算平均强度，适配短打击信号的特征
• delta=0.5：峰值阈值，比前后平均高0.5即可判定为有效峰值，漏检多就调小，误检多就调大
• wait=4：两个峰值最小间隔约90ms，略长于你的60ms信号时长，避免同一个信号被多次拾取

调整后peak_pick代码改为：

onset_frames = librosa.util.peak_pick(o_env, pre_max=2, post_max=2, pre_avg=3, post_avg=3, delta=0.5, wait=4)

运行后看可视化结果里的红色虚线标记数量，如果不足28就继续降低delta、减小wait，如果超过28就升高delta、增大wait，直到数量匹配。

2. 基于校正后的onset提取60ms音频片段 #

不要重复加载音频文件，直接用已经读入内存的x切片提取，精度更高速度更快，完整代码如下：

import librosa
import numpy as np
import soundfile as sf

# 加载音频、计算onset强度、拾取峰值（参数已经按上述调整）
x, sr = librosa.load("C:/data/test.wav", sr=None) # 加sr=None保留原采样率
o_env = librosa.onset.onset_strength(y=x, sr=sr)
onset_frames = librosa.util.peak_pick(o_env, pre_max=2, post_max=2, pre_avg=3, post_avg=3, delta=0.5, wait=4)
# 把onset帧转成采样点索引
onset_samples = librosa.frames_to_samples(onset_frames, hop_length=512)
# 计算60ms对应的采样点数量
extract_len = int(sr * 0.06)

# 遍历提取片段
for i, onset_samp in enumerate(onset_samples, start=1):
    # 避免超出音频长度
    end_samp = min(onset_samp + extract_len, len(x))
    current_clip = x[onset_samp:end_samp]
    sf.write(f'./clicks/clicks{i}.wav', current_clip, sr)

print(f"共提取{len(onset_samples)}个片段")

内容的提问来源于stack exchange，提问作者VGF