入力音声と同じ周波数特性を持ったノイズを生成する

周波数特性ジェネレーター.py

import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile
from scipy.signal import stft, istft
import os
import japanize_matplotlib
# wavファイルを読み込む
sample_rate, data = wavfile.read('./output.wav')
bit_depth = data.dtype.itemsize * 8  # 量子化ビット数を計算する
full_scale = 2 ** (bit_depth - 1)  # 0 dBFSの値を計算する

# ステレオの場合、片方のチャンネルのみを使用する
if len(data.shape) > 1:
    data = data[:, 0]

# 10分間のサンプル数
segment_duration = 10 * 60  # 10分
segment_samples = segment_duration * sample_rate

# ディレクトリ作成
output_dir = './tmp'
os.makedirs(output_dir, exist_ok=True)

# 分割と処理
num_segments = len(data) // segment_samples
if num_segments == 0:
    num_segments = 1

all_averages = []
for i in range(num_segments):
    print(f'{i+1}/{num_segments}')
    segment = data[i * segment_samples: (i + 1) * segment_samples]
    f, t, Zxx = stft(segment,window='hann', fs=sample_rate, nperseg=4096*2*2)
    magnitude = np.abs(Zxx)
    magnitude_dbfs = 20 * np.log10(magnitude / full_scale + 1e-10)

    average_magnitude_dbfs = np.mean(magnitude_dbfs, axis=1)
    all_averages.append(average_magnitude_dbfs)

# 各セグメントの平均を結合
final_average = np.mean(all_averages, axis=0)

# ホワイトノイズの生成
duration = 60  # 60秒間のホワイトノイズを生成する
white_noise = np.random.randn(duration * sample_rate)

# ホワイトノイズのFFT解析
f_noise, t_noise, Zxx_noise = stft(white_noise,window='hann', fs=sample_rate, nperseg=4096*2*2)
magnitude_noise = np.abs(Zxx_noise)
magnitude_dbfs_noise = 20 * np.log10(magnitude_noise / full_scale + 1e-10)


# イコライザーカーブの適用 
equalized_magnitude_dbfs = np.zeros_like(magnitude_dbfs_noise)
for i in range(len(f_noise)):
    idx = np.argmin(np.abs(f_noise[i] - f))
    equalized_magnitude_dbfs[i, :] = magnitude_dbfs_noise[i, :] + (final_average[idx] - np.mean(final_average))

# 逆FFTで時間領域に戻す
_, equalized_noise = istft(Zxx_noise * 10**(equalized_magnitude_dbfs / 20), fs=sample_rate)

# 音声ファイルとして保存する場合
wavfile.write('./equalized_output.wav', sample_rate, np.int16(equalized_noise * full_scale / np.max(np.abs(equalized_noise))))


print(f"処理済みのホワイトノイズを保存しました。")



# グラフを同じウィンドウに表示
plt.figure(figsize=(12, 10))

# 入力音源のFFT解析結果をプロット (折れ線グラフ)
plt.subplot(2, 1, 1)
plt.plot(f, average_magnitude_dbfs)
plt.title('入力音源のFFT解析 (dBFS)')
plt.xlabel('周波数 (Hz)')
plt.ylabel('振幅 (dBFS)')
plt.grid()

# イコライザーカーブを適用したホワイトノイズのFFT解析結果をプロット (折れ線グラフ)
plt.subplot(2, 1, 2)
plt.plot(f_noise, np.mean(equalized_magnitude_dbfs, axis=1))  # ここでは1つのタイムスライスのデータを使用しています
plt.title('周波数特性を一致させたホワイトノイズのFFT解析 (dBFS)')
plt.xlabel('周波数 (Hz)')
plt.ylabel('振幅 (dBFS)')
plt.grid()

plt.tight_layout()
plt.show()