プロットのオーディオファイルの長さが正しくない、またはオーディオプロットのAnnotationセグメントがPythonで不適切にオーバーレイされた

Question

このチュートリアル（https://github.com/amsehili/audio-segmentation-by-classification-tutorial/blob/master/multiclass_audio_segmentation.ipynb）に従い、私自身のトレーニングデータとサンプルを使用してビジュアライゼーション出力を再作成しようとしています。 31秒の長さで

私のオーディオファイル
：https://www.dropbox.com/s/qae2u5dnnp678my/test_hold.wav?dl=0
注釈ファイルはここにある：
https://www.dropbox.com/s/gm9uu1rjettm3qr/hold.lst?dl=0
https://www.dropbox.com/s/b6z1gt8i63c8ted/tring.lst?dl=0
私は「Pythonでのオーディオファイルの波形をプロットし、その後のセクションを強調しようとしていますその波形の上にある注釈ファイルからその音声を「保留」および「取り除く」ことができる。

次のように大胆からの波形は次のとおりです。

コードは次のとおりです。上記のコードによって生成された

import wave 
import pickle 
import numpy as np 
from sklearn.mixture import GMM 
import librosa 

import warnings 
warnings.filterwarnings('ignore') 
SAMPLING_RATE =16000 
wfp = wave.open("/home/vivek/Music/test_hold.wav") 
audio_data = wfp.readframes(-1) 
width = wfp.getsampwidth() 
wfp.close() 

# data as numpy array will be used to plot signal 
fmt = {1: np.int8 , 2: np.int16, 4: np.int32} 
signal = np.array(np.frombuffer(audio_data, dtype=fmt[width]), dtype=np.float64) 


%matplotlib inline 
import matplotlib.pyplot as plt 
import matplotlib.pylab as pylab 
pylab.rcParams['figure.figsize'] = 24, 18 

def plot_signal_and_segmentation(signal, sampling_rate, segments=[]): 
    _time = np.arange(0., np.ceil(float(len(signal)))/sampling_rate, 1./sampling_rate) 
    if len(_time) > len(signal): 
     _time = _time[: len(signal) - len(_time)] 

    pylab.subplot(211) 

    for seg in segments: 

     fc = seg.get("fc", "g") 
     ec = seg.get("ec", "b") 
     lw = seg.get("lw", 2) 
     alpha = seg.get("alpha", 0.4) 

     ts = seg["timestamps"] 

     # plot first segmentation outside loop to show one single legend for this class 
     p = pylab.axvspan(ts[0][0], ts[0][1], fc=fc, ec=ec, lw=lw, alpha=alpha, label = seg.get("title", "")) 

     for start, end in ts[1:]: 
      p = pylab.axvspan(start, end, fc=fc, ec=ec, lw=lw, alpha=alpha) 


    pylab.legend(bbox_to_anchor=(0., 1.02, 1., .102), loc=3, 
      borderaxespad=0., fontsize=22, ncol=2) 

    pylab.plot(_time, signal) 

    pylab.xlabel("Time (s)", fontsize=22) 
    pylab.ylabel("Signal Amplitude", fontsize=22) 
    pylab.show() 

annotations = {} 


ts = [line.rstrip("\r\n\t ").split(" ") for line in open("/home/vivek/Music/hold.lst").readlines()] 
ts = [(float(t[0]), float(t[1])) for t in ts] 
annotations["hold"] = {"fc" : "y", "ec" : "y", "lw" : 0, "alpha" : 0.4, "title" : "Hold", "timestamps" : ts} 

ts = [line.rstrip("\r\n\t ").split(" ") for line in open("/home/vivek/Music/tring.lst").readlines()] 
ts = [(float(t[0]), float(t[1])) for t in ts] 
annotations["tring"] = {"fc" : "r", "ec" : "r", "lw" : 0, "alpha" : 0.9, "title" : "Tring", "timestamps" : ts} 


def plot_annot(): 
    plot_signal_and_segmentation(signal, SAMPLING_RATE, 
          [annotations["tring"], 
           annotations["hold"]]) 

plot_annot() 

プロットがある：

は、あなたが見ることができるようにプロットがいるようですファイルが実際にはわずか31秒である場合、ファイルの長さは90秒と考えてください。また、注釈セグメントが間違って上書き/強調表示されています。

私は間違っていますが、どうすれば修正できますか？

PS：波形では、四角形のブロックが「トリング」であり、残りの4つの「台形」波形が音楽を保持する領域です。

Answer 1

こちらはちょっと野生のものです。大胆さのスクリーンショットには44100のサンプルレートが表示されます。コードスニペットにはSAMPLE_RATE変数が16000に初期化されています。元の31秒間を2倍の比率で乗算すると、31 * 44100/16000 = 85.44秒になります。