librosa 怎样从音频中提取起音位置

librosa 可先用 librosa.onset.onset_strength 计算起音强度包络，再用 librosa.onset.onset_detect 提取起音位置。最简场景也可以直接把波形传给 onset_detect；需要反复调整阈值时，我更愿意把包络显式算出来，方便保留同一份输入做比较。

官方地址：https://librosa.org/

我会把短录音的这项工作限定为“找出值得试听的声音开始位置”，而不是把返回数组直接当成最终剪辑点。这里的起音检测基于音频特征及选峰规则，不需要下载语音识别模型，也不会告诉你某一声来自什么乐器。

我先区分起音、振幅峰和节拍

敲击、拨弦等事件往往带来明显的频谱变化，适合从起音强度包络中寻找候选。波形振幅最高的位置可能已经进入声音的持续阶段；音乐节拍还涉及周期和速度，两者都不能直接代替起音位置。

下面的例子固定使用 librosa 0.11.0 的接口，处理本地短音频并输出候选帧位置。持续长音、渐强、强混响或多人讲话可能产生较难解释的候选，结果仍需结合任务试听取舍。对自动剪辑，我更看重“不把候选误称为准确切点”，而不是让数组尽可能长。

先加载短片段，把采样率和帧移写清楚

我会先从20秒左右的片段开始，明确参数后再接入批量任务。安装示例依赖的命令如下；版本号用于固定本例接口，不表示推荐把所有项目统一降到这个版本。

# 在项目隔离环境中安装本例依赖
python -m pip install "librosa==0.11.0"

librosa.load 默认会重采样。本例显式指定 sr=22050 和 mono=True，把后续计算限定为一个单声道包络；如果保留原始采样率，就应始终使用返回的 sr，而不是继续写死22050。

参数 hop_length=256 表示相邻分析帧相隔256个采样点。在22050Hz下，帧移约11.6毫秒，这是位置网格的尺度，不是准确率保证。n_fft=2048 控制频谱分析窗口，本例要求片段至少达到这个样本数，作为自己的输入约束。

把包络计算与候选提取分开写

将下面代码保存为 detect_onsets.py，准备本地 clip.wav。它会限制单次分析时长，检查空短片段及非有限数据，并把候选位置和参数一起保存。这里的输入处理是读取程序本身的一部分，不是让调用者先猜测音频一定正常。

from pathlib import Path
import json
import math
import numpy as np
import librosa

def extract_onsets(path, offset=0.0, duration=30.0):
    # 限定单次处理范围；这是示例的资源策略，不是库的格式限制。
    if not math.isfinite(offset) or offset = 0) & (relative_s 

onset_strength 默认基于对数功率Mel频谱构造频谱通量式包络，用来描述相邻分析帧的变化。onset_detect 则在包络上选峰。把 onset_envelope 传入后，不必每次为了修改 delta 再做相同的特征计算。

normalize=True 会在检测前把包络归一化到统一范围，因此这里的 delta=0.10 不是“比背景高0.10分贝”，也不是10%的置信度。输出字段 event_frames 是片段内的帧索引，time_s 加上了加载偏移；analyzed_duration_s 使用实际加载长度，文件不足请求时长时也不会凭空补成20秒。

代码没有给出固定的检测数量，因为数量取决于你自己的音频。也没有将数组为空视为读取错误：静音或没有足够变化的片段可以正常返回空列表。

候选太密时，我先调阈值，再考虑回溯

如果一个敲击后出现多个候选，我会先固定同一份包络和片段，只改变一个参数，避免把输入变化误认为阈值效果。delta 参与“高于局部平均”的选峰条件，提高它通常会让条件更严格，但并不保证所有噪声峰都消失，也不保证每次变化都保留原来的候选集合。

需要试听切片边界时，可以另外计算一组回溯候选，保留原始检测结果方便比较：

# envelope、sr、hop_length来自同一次特征计算；保留原始候选另做比较。
cut_frames = librosa.onset.onset_detect(
    onset_envelope=envelope, sr=sr, hop_length=hop_length,
    sparse=True, units="frames", normalize=True,
    backtrack=True, delta=0.10
)
# 未指定energy时，回溯使用起音包络自身的前序局部最小值。
cut_frames = np.unique(cut_frames)

这段是函数内部或交互分析中的替换片段，需要已有 envelope 等变量，不是独立脚本。没有传入 energy 时，回溯依据包络；它不等于寻找波形的零交叉。不同事件回溯后可能落到同一个位置，去重适用于切割候选，不能拿去重后的数量当作真实事件总数。

本例明确合并成单声道，因此使用稀疏索引输出。如果改为多声道独立检测，不能照搬这条稀疏输出路径；应查阅对应版本的多声道与 sparse=False 约束，再设计每声道结果。先混音也有代价，例如相位相反的信号可能相互抵消。

批量接入时保留参数，不只留下时间列表

我会把检测结果与采样率、帧移、窗口、加载偏移、阈值和回溯开关一起保存。业务标识可由调用方另外关联，日志只记录任务标识、片段长度、候选数量及错误类别，不输出整段音频或敏感目录。

这里限制的最长60秒只是一次分析的范围，并不保证音频解码器对任何不可信文件都具有固定内存占用。服务端接入还应限制并行任务数、文件体积和工作进程资源。长文件不能简单分块后把每块独立归一化的结果直接拼接：窗口上下文、块边缘和阈值参照都会变化，重叠及去重策略需要单独设计。

能把起音列表直接当成音符列表吗？

不能。它没有识别音高、乐器或音符持续时间；同一音符的复杂音色变化也可能触发候选。

静音返回空列表要换一组阈值重试吗？

先确认读取成功和音频确实有需要检测的事件。没有变化时，空列表是合理结果，持续降低阈值只会增加不必要的候选。

为什么切片的前面容易少一点攻击音？

选峰位置不一定在波形最早起伏处。可比较回溯候选或在试听阶段保留少量前置余量；两者都要检查片段边界，不能盲目向前越界。

对于短录音的事件标记和人工剪辑辅助，我倾向先用这套显式包络与候选分离的写法。需要逐词时间戳、稳定拍点或乐器分类时，就应换成相应任务的方法，而不是给起音数组附加它并不包含的语义。

参考：onset_detect接口、onset_strength接口、音频加载参数、选峰参数。