まずライブラリで計算し、次に自分で書き、両方を一致させる

导读： 这一课实现剩下的两个时域特征。做法和上一课不同：先用 librosa 一行算出来，再从零手写一遍，然后把两个结果逐帧比对。 这一步不是走形式——数值对不上，就说明你和库对「一帧是哪些样本」的理解不一样，后面所有比较都不成立。均方根这边两边严丝合缝（逐帧最大差 8×10⁻⁹）；过零率那边故意对不上，比值正好是 1024/1023——这正是第 07 课留下的那个「除以 K 还是除以 K−1」。

第 1 步：先用 librosa 算一遍

import librosa
y, sr = io.load("debussy", seconds=3)
r = librosa.feature.rms(y=y, frame_length=1024, hop_length=512, center=False)[0]

形状 (128,)
前 5 帧
 [0.05299, 0.05962, 0.0672,
  0.07602, 0.0753]

一行就出结果。 128 帧，和第 06 课手算的帧数一致。

注意 center=False 这个参数——上一课量过，center=True 会在两头各补半帧的零，多出两帧。这里关掉它，才能和自己写的对上。

第 2 步：从零手写，然后逼它们对上

frames = frame(y, 1024, 512)          # (128, 1024)
mine = np.sqrt(np.mean(frames ** 2, axis=1))

三步：平方、沿 axis=1 求平均、开方。axis=1 是「沿着帧内样本这个方向」，每一帧塌成一个数。

关键是接下来这一步——把两个结果逐帧相减：

手写的形状 (128,)，librosa 的形状 (128,)
逐帧最大差 7.963e-09
两者是否在浮点误差内一致：True

图 1：两条曲线画在一起完全重合，粗的是 librosa、细的是手写。下面那格给出逐帧的最大差——量级在 10⁻⁹，纯粹是浮点舍入。

所以呢？ $8 \times 1 0^{- 9}$ 这个量级说明差别纯粹来自浮点舍入，两边算的是同一件事。这证明的不只是「我的公式写对了」，更是「我和 librosa 对『第 $t$ 帧是哪 1024 个样本』的理解完全一致」。

对不上的话先查两件事： center 是不是两边都关了；帧长和帧移是不是同一对。这两个是最常见的原因。

第 3 步：过零率——这次故意对不上

同样的流程走一遍：

lib  = librosa.feature.zero_crossing_rate(y, frame_length=1024,
                                          hop_length=512, center=False)[0]
mine = zero_crossing_rate(frame(y, 1024, 512))

librosa 前 5 帧
 [0.0498,  0.05273, 0.05273,
  0.04785, 0.04688]
手写的前 5 帧
 [0.04985, 0.05279, 0.05279,
  0.04790, 0.04692]

很接近，但不相等。 差多少？

两者的比值（中位数）1.000978
理论值 K/(K-1) = 1024/1023
              = 1.000978
对得上：True

图 2：两条曲线几乎贴在一起，但比值稳定在 1.000978，不是随机抖动——这说明差异有确定的来源。

所以呢？ 这个比值不是随机误差，是一个确定的常数——正好是 $K / (K - 1)$ 。第 07 课手算八个数时就看见过它：

librosa 除以帧长 $K$ （1024）；
本课程除以相邻对的个数 $K - 1$ （1023）。

哪个「对」？两个都对，只是口径不同。 $K - 1$ 更贴合定义（ $K$ 个样本之间只有 $K - 1$ 个相邻对）， $K$ 更省事。

要紧的是：挑一个，然后一直用它。 帧长 1024 时差 0.1%，看着可以忽略——但两批用不同口径算出来的数字混进同一张表，就不再可比了，而且这个错不会报错。

这就是「先调库、再手写、然后对齐」这个流程的价值： 它把一个原本会安静潜伏下去的口径差，变成了一个当场看得见的数。

第 4 步：五段素材各算一遍

参数换成语音领域的惯例：帧长 400（18.1 毫秒）、帧移 160（7.3 毫秒）。

        RMS 平均   ZCR 平均   帧数
古典     0.2400    0.0655    411
爵士     0.1353    0.0356    411
摇滚     0.1266    0.1260    411
语音     0.1483    0.0922    411
噪声     0.1605    0.1141    411

图 3：每段素材两个数。注意语音和噪声那一对——它们在过零率上几乎挨在一起。

先拿“语音对噪声”验证过零率。实测发现这一对分不开：

语音 0.0922，噪声 0.1141——只差两成，重叠严重。
古典 0.0655，摇滚 0.1260——差了近一倍，这一对才分得开。

所以呢？ 「过零率能区分语音和噪声」这句话，在这份素材上不成立。这不是说这条规律错了——真正的清浊音判断是在一句话内部逐帧比较元音和摩擦音，而不是拿整段语音去和整段噪声比平均值。换个素材、换个比法，结论就变了。

这也是为什么每一条「某某特征能区分某某」的说法，都值得自己在手头的数据上量一次。

第 5 步：「两个一起看更好」到底好多少

把古典和摇滚的每一帧当成一个点，逐帧判断它属于哪一类：

古典 411 帧 + 摇滚 411 帧 = 822 帧
只看 RMS，最好的分界线  91.0%
只看 ZCR，最好的分界线  84.1%
两个一起看              93.2%

图 4：每个点是一帧。横轴是 RMS，纵轴是 ZCR。两团点明显分开，但边界上仍然沾着。

所以呢？ 两个一起看确实更好，但只多了 2.2 个百分点。

「组合多个特征效果更好」这句话经常被当成理所当然。它是对的，但强多少值得自己量一次再说——这里单看 RMS 已经能到 91.0%，加上 ZCR 才到 93.2%。如果你以为加一个特征能带来质变，这个数会让你重新安排优先级。

而且要注意：这 93.2% 是在同一批数据上挑出最好的分界线得到的，不是在没见过的新录音上测的。真实的评估必须用没参与调参的数据。

两个会安静出错的地方

一、波形整条抬离中线，过零率凭空掉下去

抬高 0.00：过零率 0.0922
抬高 0.02：过零率 0.0770  低 16%
抬高 0.05：过零率 0.0584  低 37%

图 5：三张小图画的是同一小段真实语音，只把整条曲线往上挪。声音一个数没改，过零率却掉了 37%。

所以呢？ 声音一点没变，只是整条曲线离开了中线，低处的摆动够不着零线了。真实录音里这种偏移来自设备的直流偏置，在波形图上几乎看不出来。

对策：算过零率之前先减去整段的平均值。 一行的事，但不做就会安静地错下去。

二、零线阈值

为了避免底噪让正负号来回翻，通常会把靠近零的小数当成零：

阈值 0        过零率 0.0922
阈值 0.0001   过零率 0.0921
阈值 0.01     过零率 0.0782

0.0001 几乎没有影响；0.01 把读数压低了 15%。

阈值该设多大取决于录音底噪，没有通用答案。但整个数据集必须用同一个值，而且要和帧长、帧移一起记录下来。

项目出口：第一版 features.csv

到这里，三个时域特征都能算了。把五段素材各压成一行：

5 行 × 15 列
参数 sr=22050
     frame=400  hop=160
     归一化=峰值

每段音频用三个特征 × 五个统计量（均值、标准差、最大、最小、中位数）得到 15 个数。

这四个参数必须和表存在一起。 少了它们，这张表下次就复现不出来——形状对得上，数值全不一样。

这一课得到了什么，下一课接着讲什么

一条可以一直用下去的工作方法：先调库拿到结果，再从零手写一遍，然后逐帧比对。 对上了，说明你和库对数据的切分方式理解一致；对不上，那个差值本身就是最有价值的信息——它把一个会潜伏的口径差变成了当场看得见的数。

三个实测结论：

RMS 手写和 librosa 逐帧最大差 8×10⁻⁹，完全一致。
ZCR 比值稳定在 1.000978 = 1024/1023，是口径差不是 bug。
「两个特征一起看」比单看最好的那个只多 2.2 个百分点。

到这里，只看那条曲线能问出来的问题问完了。可有些事情它永远答不了：一段声音里同时有低音和高音，波形上完全看不出来；两段波形长得很像，听起来却是两件乐器。

下一课换一个角度：不看曲线随时间怎么起伏，而是问它由哪些高低成分组成。 那是整个课程后半段的起点。