在做語音辨識、音樂分類、甚至情感計算（Affective Computing）的時候，「音訊特徵」是核心。
光有一段 .wav 聲音檔，電腦其實「聽不懂」，我們需要把聲音轉換成數字特徵，再交給模型去學習。

今天就用 Python 的 Librosa 套件，帶大家實作一個最經典的特徵：MFCC 梅爾頻率倒譜係數。

為什麼是 MFCC？

模仿人耳聽覺機制：MFCC 把頻率轉換到「梅爾刻度」（Mel scale），更接近人耳對音高的感知。
語音 & 音樂通吃：Google 語音辨識、Shazam 音樂比對，背後都有 MFCC 的影子。
低維卻有效：一般取前 13 維 MFCC，就足以代表一段聲音的 timbre（音色特徵）。

安裝環境

在 Python 3.9+ 都能用，請先安裝這幾個套件：

pip install librosa matplotlib soundfile

librosa：音訊處理核心
matplotlib：視覺化
soundfile：讀寫 .wav 音檔

程式碼 Demo

這個程式會：
嘗試讀入 sample_audio.wav
如果檔案不存在，就自動生成一段 440Hz 測試音
萃取 13 維 MFCC 視覺化結果

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

# --- 檔案設定 ---
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
file_path = os.path.join(BASE_DIR, "sample_audio.wav")
sr = 16000  # 常見語音取樣率

# --- 若檔案不存在，自動產生一段 3 秒測試音 ---
if not os.path.exists(file_path):
    print("[提示] 找不到 sample_audio.wav，將自動產生 3 秒 440Hz 測試音。")
    duration = 3.0
    t = np.linspace(0, duration, int(sr * duration), endpoint=False)
    y = 0.2 * np.sin(2 * np.pi * 440 * t) * np.exp(-t/3.0)  # 衰減避免太刺耳
    sf.write(file_path, y, sr)

# --- 讀檔 ---
y, sr = librosa.load(file_path, sr=sr)
print(f"訊號長度: {len(y)}, 取樣率: {sr}")

# --- 萃取 13 維 MFCC ---
mfccs = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
print("MFCC 形狀:", mfccs.shape)  # (13, time_frames)

# --- 視覺化 ---
plt.figure(figsize=(10, 4))
librosa.display.specshow(mfccs, x_axis='time')
plt.colorbar()
plt.title("MFCC 特徵 (13 維)")
plt.tight_layout()
plt.show()

執行結果

終端機輸出

MFCC 形狀: (13, 94)

代表我們取到了 13 維 MFCC，時間軸上有 94 個 frame。

視覺化圖
一張橫軸是時間、縱軸是 MFCC 維度的「熱度圖」。不同顏色代表特徵值大小，這就是可以送進機器學習 / 深度學習模型的輸入。

延伸應用

語音情緒辨識：搭配 RNN / CNN，把開心、生氣、悲傷訓練出來。
音樂風格分類：用 MFCC + RandomForest 區分搖滾、古典、爵士。
動態互動：把聲音強度、特徵對應到 TouchDesigner / Processing，做成互動裝置。

結語

聲音必須轉成特徵，電腦才能理解。Librosa 幫我們把這件事變得簡單。從 wav 到 MFCC，只要幾行程式碼，就能開始探索聲音背後的數據世界。下一步，我們可以試試錄自己的聲音，跑 MFCC，看看不同情緒的聲音，圖像特徵有什麼差異!