Saltar a contenido

🎵 Análisis de audio: formas de onda, espectrogramas y extracción de MFCC

Contexto

En este trabajo se procesó el dataset UrbanSound8K descargado mediante KaggleHub, con el objetivo de comprender la estructura de señales de audio, visualizar la señal y extraer características relevantes para clasificación.

Se utilizaron técnicas estándar de análisis digital de señales: waveform, espectrogramas Mel, MFCCs y métricas espectrales, aplicando preprocesamiento para estandarizar los clips a un formato común.

🎯 Objetivos

  • Descargar y cargar archivos .wav usando KaggleHub.
  • Visualizar formas de onda y analizar propiedades básicas.
  • Aplicar preprocesamiento: resampleo, recorte de silencios, normalización.
  • Generar espectrogramas STFT y Mel.
  • Extraer MFCC, centroides espectrales, RMS y ZCR.
  • Exportar features en un CSV final.
  • Implementar data augmentation (pitch shift, time stretch).

Desarrollo

1. Setup y carga inicial

Se instalaron las librerías necesarias para procesamiento de audio:

%pip install -q librosa soundfile numpy matplotlib pandas scipy kagglehub

import librosa
import librosa.display
import soundfile as sf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

2. Descarga del dataset

Se utilizó KaggleHub para descargar el dataset UrbanSound8K:

import kagglehub

download_path = kagglehub.dataset_download("chrisfilo/urbansound8k")
print("Path to dataset files:", download_path)

Resultado: 8,732 archivos de audio encontrados, distribuidos en 10 folds.

3. Exploración inicial del audio

Se cargó un archivo de ejemplo y se analizaron sus propiedades:

y, sr = librosa.load(path, sr=None, mono=False)

print("Archivo:", audio_path.name)      # 101415-3-0-2.wav
print("Sample rate original:", sr)       # 48000 Hz
print("Duración (s):", duration_sec)     # 4.0 s
print("Canales:", channels)              # 1 (mono)
print("Amplitud min/max:", y.min(), y.max())  # -0.8535, 0.8065

Observaciones: - El audio tiene sample rate de 48,000 Hz y dura 4.0 segundos - La amplitud oscila entre -0.85 y 0.81, indicando que no está normalizado - Es mono, lo cual es adecuado para clasificación de sonidos urbanos

Waveform original

4. Visualización completa: Waveform y Espectrogramas

Se generó una visualización completa con la forma de onda, espectrograma STFT y espectrograma Mel:

# Espectrograma STFT
D = librosa.stft(y_mono)
S_db = librosa.amplitude_to_db(np.abs(D), ref=np.max)

# Espectrograma Mel
mel_spec = librosa.feature.melspectrogram(y=y_mono, sr=sr, n_mels=128)
mel_spec_db = librosa.power_to_db(mel_spec, ref=np.max)

Waveform y espectrogramas

Características extraídas:

Métrica Valor
Zero Crossing Rate (promedio) 0.0248
Spectral Centroid (promedio) 2,397.17 Hz
Spectral Rolloff (promedio) 5,320.13 Hz

5. Preprocesamiento y estandarización

Se definió un pipeline de preprocesamiento para estandarizar todos los clips:

TARGET_SR = 16000          # Hz
TARGET_DURATION = 3.0      # segundos
TARGET_AMPLITUDE = 0.99
TOP_DB = 30.0              # recorte de silencios

def preprocess_audio(path, target_sr, target_duration, top_db):
    y, sr = librosa.load(path, sr=None, mono=False)

    # Convertir a mono
    if y.ndim > 1:
        y = np.mean(y, axis=0)

    # Recortar silencios
    y_trim, _ = librosa.effects.trim(y, top_db=top_db)

    # Resamplear
    y_rs = librosa.resample(y_trim, orig_sr=sr, target_sr=target_sr)

    # Ajustar duración (pad/truncate)
    target_len = int(target_sr * target_duration)
    if len(y_rs) > target_len:
        y_rs = y_rs[:target_len]
    else:
        y_rs = np.pad(y_rs, (0, target_len - len(y_rs)))

    # Normalizar
    max_abs = np.max(np.abs(y_rs)) or 1.0
    y_norm = (TARGET_AMPLITUDE * y_rs) / max_abs

    return y_norm, target_sr

Resultado después del preprocesamiento: - Duración: 3.0 segundos (fija) - Sample rate: 16,000 Hz - Amplitud: -0.99 a 0.93 (normalizada)

Original vs estandarizada

6. Espectrogramas: Original vs Estandarizado

Se compararon los espectrogramas antes y después del preprocesamiento:

Espectrograma original

Espectrograma estandarizado

Observación: El resampleo a 16 kHz reduce la frecuencia máxima visible (Nyquist = 8 kHz), pero mantiene la información útil para sonidos urbanos.

7. Análisis de ruido

Se agregó ruido blanco con SNR = 10 dB para evaluar robustez:

def add_white_noise(y, snr_db):
    sig_power = np.mean(y**2)
    snr_linear = 10**(snr_db / 10)
    noise_power = sig_power / snr_linear
    noise = np.sqrt(noise_power) * np.random.randn(*y.shape)
    return (y + noise).astype(np.float32)

Espectrograma con ruido

Observación: El ruido blanco se visualiza como energía distribuida uniformemente en todas las frecuencias.

8. Extracción de MFCC y features

Se extrajeron 13 coeficientes MFCC más métricas adicionales:

def extract_mfcc_features(y, sr, n_mfcc=13):
    mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=n_mfcc)
    feats = {}
    for i in range(n_mfcc):
        feats[f"mfcc_{i+1}_mean"] = np.mean(mfcc[i])
        feats[f"mfcc_{i+1}_std"] = np.std(mfcc[i])
    feats["rms_mean"] = np.mean(librosa.feature.rms(y=y))
    feats["zcr_mean"] = np.mean(librosa.feature.zero_crossing_rate(y=y))
    return feats

Features extraídos por clip: 28 columnas (13 MFCC × 2 stats + RMS + ZCR)

Métricas espectrales

9. Exportación del dataset

Se procesaron 100 clips y se exportó el CSV:

df_features.to_csv("outputs/features/audio_mfcc_features.csv", index=False)
print("Shape:", df_features.shape)  # (100, 31)

10. Distribución del dataset

El dataset UrbanSound8K está organizado en 10 folds para validación cruzada:

Audios por fold

Fold Cantidad
fold1 873
fold2 888
fold3 925
fold4 990
fold5 936
fold6 823
fold7 838
fold8 806
fold9 816
fold10 837

11. Data Augmentation

Se implementaron técnicas de augmentation para expandir el dataset:

Pitch Shift (+2 semitonos)

y_pitch = librosa.effects.pitch_shift(y, sr=sr, n_steps=2)

Pitch shift

Time Stretch (0.9x)

y_time = librosa.effects.time_stretch(y, rate=0.9)

Time stretch

Observación: Estas técnicas permiten generar variantes de los clips originales para aumentar la robustez del modelo.

Evidencias

  • Notebook del trabajo: 14-audio.ipynb
  • Features exportados: outputs/features/audio_mfcc_features.csv
  • Imágenes generadas: carpeta img/

Reflexión

Este trabajo permitió comprender el pipeline completo de procesamiento de audio:

  1. Carga y exploración: Entender las propiedades básicas (sample rate, duración, canales)
  2. Preprocesamiento: Estandarizar clips a formato común (16 kHz, 3s, mono, normalizado)
  3. Visualización: Waveforms y espectrogramas revelan patrones temporales y espectrales
  4. Feature extraction: MFCCs capturan la textura tonal; ZCR y RMS capturan energía y variabilidad
  5. Augmentation: Pitch shift y time stretch expanden el dataset sin perder información

El parámetro más importante fue TARGET_SR = 16,000 Hz porque balancea calidad vs eficiencia computacional.

Conclusión

Se construyó un pipeline completo de procesamiento de audio:

  1. ✅ Descarga del dataset UrbanSound8K (8,732 clips)
  2. ✅ Exploración de propiedades de señal
  3. ✅ Preprocesamiento (resampleo, trim, normalización)
  4. ✅ Visualización (waveform, STFT, Mel spectrogram)
  5. ✅ Extracción de features (28 columnas por clip)
  6. ✅ Exportación a CSV
  7. ✅ Data augmentation (pitch shift, time stretch)

El dataset resultante está listo para entrenar modelos de clasificación de sonidos urbanos.

Referencias

  • Librosa Documentation — https://librosa.org/doc/latest/
  • KaggleHub — https://github.com/Kaggle/kagglehub
  • UrbanSound8K Dataset — Salamon et al., 2014
  • MFCC: Davis & Mermelstein (1980)
  • Mel Scale: Stevens, Volkmann & Newman (1937)