这是一个基于Python的音乐治愈性分析工具，通过分析音乐的多个声学特征来评估音乐的治愈特性。该工具结合了传统音乐理论和现代声学分析方法，为音乐的治愈性提供全面的量化评估。
- 多维度分析：包括音程亲和力、声音粗糙度和频谱特征分析
- 科学的评分体系：基于音乐理论和声学原理的评分标准
- 多线程处理：支持并行处理多个音频文件
- 可视化分析：自动生成评分分布图表
- 全面的数据导出：支持Excel格式的详细分析报告
- 支持多种音频格式：MP3, WAV, FLAC, M4A
- 单文件分析：支持对单个音频文件进行独立分析
- Python 3.8+
- 依赖包安装：
pip install -r requirements.txt-
准备音频文件：
- 创建
healing_music文件夹：存放治愈音乐样本 - 创建
non_healing_music文件夹：存放非治愈音乐样本
- 创建
-
运行批量分析：
python music_analysis.py提供两种方式分析单个音频文件：
直接在命令行中指定音频文件路径：
python analyze_single_audio.py "你的音频文件路径"示例：
python analyze_single_audio.py "D:\音乐文件\示例音乐.mp3"- 启动程序：
python analyze_single_audio.py- 按提示输入音频文件路径：
- 可以直接将音频文件拖拽到命令行窗口
- 或手动输入完整路径
- 输入 'q' 或 'quit' 退出程序
程序将输出详细的分析报告，包括：
- 总体治愈得分（0-100分）
- 三个维度的详细得分：
- 音程亲和力得分
- 声音粗糙度得分
- 频谱特征得分
- 每个维度的评估说明
- 整体评价和建议
示例输出：
==================================================
音频文件分析报告: 示例音乐.mp3
==================================================
总体治愈得分: 75.32/100
------------------------------
详细评分:
1. 音程亲和力得分: 82.45/100
- 评估音乐的和声协和度
- 较高分数表示音程关系更和谐
2. 声音粗糙度得分: 70.18/100
- 评估音乐的平滑度
- 较高分数表示声音更柔和平顺
3. 频谱特征得分: 73.33/100
- 评估音色和频率分布
- 较高分数表示音色更纯净、频率分布更合理
得分解释:
该音频具有一定的治愈特性，整体表现良好
==================================================
音程亲和力分数基于传统音乐理论中的协和度概念，采用精确的权重系统进行计算。
| 音程 | 半音数 | 权重 | 说明 |
|---|---|---|---|
| 纯一度 | 0 | 1.0 | 最完美的协和音程 |
| 纯八度 | 12 | 1.0 | 与纯一度同等重要 |
| 纯五度 | 7 | 0.9 | 次重要的完全协和音程 |
| 纯四度 | 5 | 0.8 | 基础的完全协和音程 |
| 音程 | 半音数 | 权重 | 说明 |
|---|---|---|---|
| 大三度 | 4 | 0.6 | 主要的不完全协和音程 |
| 小三度 | 3 | 0.5 | 次要的不完全协和音程 |
| 大六度 | 9 | 0.4 | 较弱的不完全协和音程 |
| 小六度 | 8 | 0.3 | 最弱的不完全协和音程 |
| 音程 | 半音数 | 权重 | 说明 |
|---|---|---|---|
| 大二度 | 2 | -0.2 | 轻微的不协和 |
| 小二度 | 1 | -0.4 | 明显的不协和 |
| 增四度/减五度 | 6 | -0.6 | 最不协和的音程 |
| 小七度 | 10 | -0.3 | 中等的不协和 |
| 大七度 | 11 | -0.5 | 强烈的不协和 |
-
音高提取
- 使用librosa.piptrack进行音高检测
- 参数设置：
- 最低频率：C2音（65.41 Hz）
- 最高频率：C7音（2093 Hz）
- 阈值：0.1（降低噪声影响）
-
音程序列生成
- 将频率转换为MIDI音符号
- 计算相邻音符的音程差
- 过滤异常值（限制在两个八度内）
-
权重计算
- 将音程映射到一个八度内（模12运算）
- 查表获取对应权重
- 计算平均权重
-
分数归一化
- 输入：原始权重均值（范围：-0.6到1.0）
- 输出：0-100的分数范围
- 公式：score = (weight - min_weight) / (max_weight - min_weight) * 100
粗糙度分析通过评估音频的多个声学特征来衡量音乐的平滑度。
-
频谱质心分析（20%权重）
- 计算：librosa.feature.spectral_centroid
- 评估音色的"亮度"
- 得分计算：1 - (mean(centroid) / (sr/4))
- 较低的质心值表示更柔和的音色
-
频谱带宽分析（20%权重）
- 计算：librosa.feature.spectral_bandwidth
- 评估频率分布的集中度
- 得分计算：1 - (mean(bandwidth) / (sr/4))
- 较窄的带宽表示更纯净的音色
-
谐波-打击乐分离（40%权重）
- 使用HPSS算法分离谐波和打击乐成分
- 计算谐波能量比：harmonic_energy / (harmonic_energy + percussive_energy)
- 较高的谐波比表示更柔和的音色
-
音高稳定性分析（20%权重）
- 基于色谱图特征（chroma features）
- 计算色谱变化的方差
- 得分计算：1 - min(chroma_variance, 1)
- 较低的方差表示更稳定的音高变化
- 特征组合
roughness_score = (
harmonic_ratio * 0.4 +
centroid_score * 0.2 +
bandwidth_score * 0.2 +
chroma_score * 0.2
)- Sigmoid变换
final_score = 1 / (1 + np.exp(-8 * (roughness_score - 0.5)))频谱特征分析通过评估音频的频域特征来衡量音乐的声音质量。
-
梅尔频谱图分析
- 使用librosa.feature.melspectrogram
- 转换为分贝刻度：librosa.power_to_db
-
频谱质心计算
- 评估音色的整体"重心"
- 归一化：相对于采样率的一半
-
频谱带宽计算
- 评估频率分布的离散程度
- 归一化：相对于采样率的四分之一
-
频谱熵计算
- 评估频谱的复杂度
- 归一化：相对于最大可能熵
最终的频谱特征分数通过以下权重组合：
spectral_score = (
0.4 * centroid_score +
0.3 * bandwidth_score +
0.3 * entropy_score
)总分通过加权平均的方式组合各个维度的分数：
final_score = (
0.4 * roughness_score +
0.3 * consonance_score +
0.3 * spectral_score
)最后应用sigmoid变换使得分布更加合理：
transformed_score = 100 / (1 + np.exp(-0.15 * (final_score - 65)))程序会生成以下文件：
-
analysis_results.xlsx- 包含所有音频文件的详细分析数据
- 各个维度的原始分数和最终得分
- 文件信息和处理状态
-
score_distributions.png- 四个子图显示不同维度的分数分布
- 治愈音乐和非治愈音乐的对比直方图
- 使用不同颜色区分两类音乐
-
音频质量要求
- 建议使用采样率≥44.1kHz的音频
- 时长建议≥30秒
- 避免使用过度压缩的音频
-
性能考虑
- 多线程处理可能占用较多CPU资源
- 建议批量处理时控制并发数量
-
结果解释
- 分数仅供参考，不应作为唯一评判标准
- 建议结合专业音乐知识解释结果
MIT License
欢迎通过以下方式贡献：
- 提交Issue报告问题
- 提交Pull Request改进代码
- 完善文档和示例
[Xiong hr]
感谢所有为项目提供建议和帮助的贡献者。