程序要分辨古典、爵士和摇滚，先得跨过哪一步？

给程序一张猫的照片，和给它一段汽车的声音

先看照片这一边。给程序看很多张已经标好「猫」的照片，再给它一张没见过的，让它判断里面是不是猫。这类程序下面统称分类程序：它从带答案的例子里找出差别，再把新东西归到某一类。

照片好办在哪里？一张照片本身就是一个整整齐齐的数字网格。 宽多少个点、高多少个点、每个点什么颜色，都是现成的数。两张照片只要缩放到同样的宽高，就能一个位置对一个位置地比。

再看声音这一边。一段汽车驶过的声音，麦克风是这样记的：每隔极短的一瞬量一次空气被推挤的强弱，记下一个数，一秒钟量上万次。所以程序拿到的不是网格，是一长串有先后顺序的数。

麻烦就在这串数上：

两段录音长度不同，一段 3 秒一段 30 秒，数的个数就差十倍，没法一个位置对一个位置地比。
两段录音可能每秒量的次数不同，同样是 1 秒，一个 44100 个数，一个 22050 个数。
一串数里，哪些反映的是这段声音本身，哪些只是录的时候音量开大了、麦克风离得近，光看数字看不出来。
而且单独一个数几乎什么也说明不了——「第 8137 个数是 0.03」，这句话没有任何用。

图 1：照片一进来就是排好的网格；录音一进来是一长串随时间排列的数。中间那一步「把录音整理成可比较的证据」，就是这 23 课的全部内容。

把这串数读懂、切开、算成可以互相比较的证据——这件事叫音频信号处理。它不是机器学习的一部分，它是机器学习开始之前的那一步。

把声音整理好之后，程序能做哪些事

这一步做好了，能往上接的任务比想象中多：

判断这是什么声音：警报、车辆、玻璃破碎、机器出故障。
听懂人说了什么：把语音转成文字；也可以反过来，核对说话的是不是本人。
把录音修干净：削掉不想要的杂声，或者把音质偏低的录音补得清楚一些。
分析音乐：找出用了什么乐器、节拍在哪里、整首曲子是什么情绪、结构怎么分段。

这些任务表面上差得很远，起点却是同一个：先从录音里找出和任务有关的证据。 证据没找对，后面换个多大的分类程序都补不回来。

这门课挑「古典、爵士、摇滚三选一」当贯穿始终的任务，有两个原因：结果一看就懂，不需要专业知识判断对错；而且后面每学会一种计算，都能立刻回到同一个问题上检验——这个数字真的帮得上区分这三种音乐吗？

这 23 课怎样从录音走到可用特征

完整的 23 讲路线图只放在课程总纲里，这里不再复制一遍。总纲回答“整套课按什么顺序学”，第 01 讲只回答“为什么要先处理录音”。

现在只需要记住两层结构：

第 01—06 讲是共同基础。 先认识声音和数字录音，再学会把整段录音切成可重复计算的短片段。
第 07—23 讲提供几类不同证据。 有的方法沿时间观察强弱变化，有的方法拆出不同高低的成分；拆出的结果还可以按听觉重新整理，或者压成少量统计数字。实际任务按需选择或组合，并不是把一段录音连续加工 23 次。

课程的边界也在这里说清楚：这 23 课到「为分类程序准备好可信的输入」为止。 至于怎么训练那个分类程序（业内把这样一个从数据里学出判断规则的程序叫模型）、怎么调它的结构、怎么把它上线，都不在范围内。把边界划出来，是为了让每一课都服务于同一个能验收的结果。

每个概念都讲两遍：一遍讲原理，一遍写代码

这门课不把「原理」和「编程」拆成两条互不相干的线。每遇到一个新概念，都会走同一组动作：

先说清它要解决什么问题；
用图看清输入是什么、输出是什么、中间变了什么；
用一小段代码算出真实结果，不是示意；
改一个参数或换一段输入，看结果为什么跟着变；
把能复用的完整版本留在课程代码里。

正文里只保留看懂实验必需的那几行代码。每一课对应的完整脚本放在课程代码目录，可以直接运行；脚本比正文更全，还带上参数扫描、画图和边界情况的检查。

这门课用哪些工具

全程用 Python。数组计算交给 NumPy，音频读取和一批音频专用函数交给 librosa（它读写文件时实际调用的是 SoundFile），画图交给 Matplotlib，个别信号处理函数来自 SciPy。

这门课不需要 API Key，也不需要联网，所有计算都在你自己的机器上跑完。装什么、怎么装、用的什么版本，在课程总纲里写了一次，后面每一课都不再重复。

学完之后你应该会做什么

23 课结束时，目标不是背下一串函数名，而是能够：

说清声音怎样被记录成数字，以及「每秒记录多少次」这类参数分别改变了什么；
看懂随时间起伏的那条线、声音成分的分布图，以及同时表示时间和成分的二维图，各自说明了什么；
自己写出课程里的核心计算，并且能检查单位对不对、坐标轴方向对不对、数组形状对不对；
按任务挑特征，并说清这个特征保留了什么、丢掉了什么；
把一堆音乐片段整理成一张能直接交给分类程序的表。

看到公式不用紧张

后面会出现一些公式，尤其是讲到把声音拆成不同成分那几课。每一个公式都会先用一句话说清它在干什么，再逐项解释每个符号代表什么，最后用代码算一遍给你看结果。

看不懂公式不影响往下走。你可以先跑脚本、看输出、看图，等有了直觉再回头看公式——很多时候公式只是把你已经看懂的那件事写紧凑了而已。

这门课写给谁

这套课程面向这几类人：做机器学习的工程师、计算机专业的学生、软件工程师、音乐科技从业者，以及对技术有兴趣的音乐人。

需要的基础只有一条：会写一点 Python。 能看懂变量、函数调用、循环和列表就够了。

不需要任何音频、声学或者信号处理的基础。本课程不会预设你已经知道录音软件里那条线为什么上下抖，也不会预设你知道“一秒振动多少次”怎样决定听起来偏高还是偏低；这两件事从第 02 讲开始解释。如果 Python 也还不熟，可以先直接运行完整脚本，对照输出再逐行读正文。

实验：先确认三段素材程序都能读到

这一课的实验不分析任何曲线，也不计算声音由哪些成分组成。它只完成项目真正的第一步：把任务、文件和标签定下来。

三段主素材和它们的标签：

COURSE_AUDIO = [
    ("debussy.wav", "古典"),
    ("duke.wav", "爵士"),
    ("redhot.wav", "摇滚"),
]

我们约定：将来交给分类程序的是一段 1 秒的音乐，程序输出「古典、爵士、摇滚」中的一个标签。这里每段素材已经标好的类别，就是判断程序答得对不对时用的标准答案。

装好总纲里的环境之后，运行：

python lessons/lesson01_course_map.py

脚本只读文件本身的信息，不改每秒记录多少次，也不合并声道。声道指的是一个音频文件里同时存了几路声音：单声道存一路，立体声存左右两路。

def inspect_course_audio():
    rows = []
    folder = audio_dir()
    for filename, label in COURSE_AUDIO:
        info = sf.info(os.path.join(folder, filename))
        rows.append({
            "file": filename,
            "label": label,
            "duration_s": info.duration,
            "sample_rate_hz": info.samplerate,
            "channels": info.channels,
        })
    return rows

实测输出：

[正文] 三段主素材
  debussy.wav | 古典
    30.00 秒 | 22050 Hz | 1 声道
  duke.wav | 爵士
    30.00 秒 | 22050 Hz | 1 声道
  redhot.wav | 摇滚
    30.00 秒 | 22050 Hz | 1 声道

三个文件都读到了，而且三段都是 30 秒、每秒 22050 个数、单声道。所以呢？ 所以开头那一类最烦人的麻烦被排除了：不会有某个文件打不开，也不会出现「一段每秒 44100 个数、另一段 22050 个数」这种连基本格式都对不齐的情况。三段素材有了共同的起点。

但要说清楚，这不代表三段音乐已经可以直接比了，更不代表「每秒记录次数相同」就能区分风格。它只是把格式这一层的问题排除掉。每秒记录多少次、几个声道分别意味着什么，第 04 课会正式讲。

脚本还会写出一张三行的小表 dataset_manifest.csv，把文件名、标签和原始信息固定下来。后面每一课都读这张表，就不会出现正文写一套名字、代码用另一套名字的情况。

除这三段主素材外，完整脚本还会列出七段对照声音：噪声、钢琴、萨克斯、音阶、颤音、小提琴和人声。它们后面讲音高、音色、颤音和噪声时会用到，但不会混进三分类的标签表。

这一课只定问题，不抢后面的答案

到这里，这门课要完成什么、按什么顺序走、需要什么基础，三件事都定下来了，共同的素材也确认过了。

这一课没有解释那条线为什么上下摆动，没有讲「频率」怎么算，也没有比较任何两种表示声音的方式。把这些提前塞进导论，同一个概念会在后面重复讲第二遍，第一次接触声音处理的人反而会失去顺序。

下一课从最开头讲起：声音是怎么产生的、怎么传到麦克风的，以及录音软件里那条抖动的线到底记下了什么。