问询：librosa.load与scipy.io.wavfile.read返回数据为何不同

这是个非常常见的问题，我来拆解两者核心的行为差异，帮你搞清楚为什么同一份音频文件会读出不同的data：

1. 数据类型与归一化策略完全不同 #

scipy.io.wavfile.read() 会直接返回音频文件的原始采样数据，数据类型完全匹配音频的位深：比如16位PCM格式的WAV文件，返回的是int16类型数组，取值范围是[-32768, 32767]；如果是24/32位音频，则对应int32类型。

而librosa.load() 默认会把所有音频数据归一化到[-1.0, 1.0]区间的float32浮点数——本质上是把原始整数数据除以对应位深的最大值（比如16位音频除以32768）。要是你想让librosa返回和scipy一致的原始整数类型，可以设置dtype=np.int16并关闭归一化（norm=False），不过这不是librosa的常规用法。

2. 采样率的默认处理逻辑不一样 #

scipy.io.wavfile.read() 严格保留音频文件的原生采样率，不会对音频做任何重采样处理，返回的data长度和原始音频的采样点数完全一致。

但librosa.load() 默认会自动把音频重采样到22050Hz（这是librosa设定的默认采样率），除非你显式传入sr=None参数，它才会保留原始采样率。如果你的音频原始采样率不是22050，重采样过程会直接改变数据的点数和内容，这也是两者data差异的重要原因。

3. 多声道音频的处理方式有区别 #

对于立体声或多声道音频，scipy.io.wavfile.read() 返回的data是二维数组，形状为(采样点数, 声道数)，完全保留原始的声道分离数据。

而librosa.load() 默认会把多声道音频混缩为单声道（通过计算各声道的平均值），返回的是一维数组。如果需要保留多声道数据，你需要手动设置mono=False参数。

验证示例代码 #

你可以用这段代码直观验证两者的关系：

from scipy.io import wavfile
import librosa
import numpy as np

# 替换成你的音频文件路径
audio_path = "your_audio.wav"

# Scipy读取原始数据
fs_scipy, data_scipy = wavfile.read(audio_path)
print(f"Scipy: 数据类型={data_scipy.dtype}, 形状={data_scipy.shape}, 采样率={fs_scipy}")

# Librosa读取（保留原始采样率+多声道）
data_librosa, fs_librosa = librosa.load(audio_path, sr=None, mono=False, norm=False, dtype=np.int16)
print(f"Librosa(原始模式): 数据类型={data_librosa.dtype}, 形状={data_librosa.shape}, 采样率={fs_librosa}")

# 检查是否完全一致（单声道/多声道对应匹配的话）
print(f"数据是否完全匹配: {np.array_equal(data_scipy, data_librosa.T)}")

内容的提问来源于stack exchange，提问作者이응재