最近做一些基于深度学习音频上的算法，在对数据处理时，需要做数据的重采样、滤波。常常会用到librosa和wavfile，其中会遇到很多隐形的问题，会导致工作量加大。最近把遇到的问题进行
总结了一下，希望对大家有帮助。
一、librosa的读取、重采样、保存需要注意的点
1、读取方式：data, sr = librosa.load("*.wav", sr=16000), 注意读取出来的数据，是做了32767的归一化。
2、重采样方式：data = librosa.resample(data.astype(np.float32), fs, 16000)，注意一定要对数据做astype(np.float32)，否则会出现下采样无效。
3、保存音频：
1）librosa.output.write_wav("./p225_004_2_L_2.wav", up_sample_data, 16000,norm=False)，注意一定要确认norm的定义，会随着librosa版本的不同，norm的默认值不一致，norm为Ture表示做标准化，最大值变为1，否则是保存做了32767后的（-1，1）的归一化。
2）注意librosa保存的wav文件，当用wavefile读取的时候还是归一化后的值。所以尽量不要用librosa保存音频。
二、wavefile的读取、保存需要注意的点
1、读取方式：fs, data = wavfile.read(path)
1）注意读出的数据是一个整型，没有做32767的归一化。
2）如果为了防止原始音频的采样率不统一影响模型训练和预测，需要对重采样进行采样率的标准化。需要添加data = librosa.resample(data.astype(np.float32), fs, 16000)，
注意一定要对数据做astype(np.float32，否则会出现
下采样无效。
3）做完重采样后会出现最大值远大于32767的情况，因此需要注意，需要对其进行动态标准化，避免早保存时候出现溢出（np.int16的最大值是32767，多了会削波）。可以添加判断，np.max(abs(x_filted)) / np.max(abs(up_sample_data))
2、数据的保存：wavfile.write("./p225_004_2_L_2.wav", 16000, data.astype(np.int16))
1） 注意要对数据进行int16的数据格式转换
2） 在保存之前做：x_filted = np.clip(x_filted, -32767, 32767)， 从而限制最大值最小值的溢出，但是，当x_filted远大于32767时候是无效的，因此需要进行动态标准化（二/1/3所示）
三、librosa 与 wavfile 的混合使用
1、librosa读取，然后wavfile 保存：librosa自动做了归一化，然后wavfile是一个32767的int类型，因此当wavfile做数据保存的时候，需要对librosa读取到的数据data*32767.
2、wavfile读取librosa保存的结果，得到的仍然是一个（-1，1）的值
3、librosa读取wavfile保存的文件正常，自动会做归一化。
四、录波器
1、方案：sos = signal.butter(8, 100, 'highpass', output='sos', fs=16000) ，data_filted = signal.sosfilt(sos, data)。需要注意，越是低频阶数越不能设置太大。另外，做完录波后可能会出现溢出，
因此，需要对其做动态标准化和clip。、
如果转发请附带博客链接，谢谢！