用到了python库 Spleeter
抽象地了解下原理吧
参考文章是这篇：Spleeter: a fast and efficient music source separation tool with pre-trained models
原理文章是这篇 SINGING VOICE SEPARATION: A STUDY ON TRAINING DATA
粗略扫了一眼，原理主要是用U-Net进行分割，然后这个Python工具主要是利用了一个pre-trained的model。
参考链接：机器之心的一篇文章
纵轴表示频率（从0到10kHz），横轴表示剪辑的时间。由于我们看到所有动作都发生在频谱的底部，我们可以将频率轴转换为对数轴。
可以对频率取对数。
感觉这个参数蛮有意思的
整个频谱被投影到12个区间，代表音乐八度音的12个不同的半音（或色度）， librosa.feature.chroma_stft 用于计算。
先对音频进行短时傅里叶变换
其中每行存储一个窗口的STFT，大小为1025*1551
这里要注意理解怎么基于stft的结果来画频谱图
没太了解，感觉就大概知道有这么个量可以用到就行。
librosa.feature.spectral_centroid 计算信号中每帧的光谱质心：
1. 先理解连续傅里叶变换
2. 再理解离散傅里叶变换
对连续函数进行离散采样
3. 最后进入短时傅里叶变换
是先把一个函数和窗函数进行相乘，然后再进行一维的傅里叶变换。并通过窗函数的滑动得到一系列的傅里叶变换结果，将这些结果竖着排开得到一个二维的表象。
收音机通过天线或线圈接受电磁波（电台发射信号附在一定频率的电磁波），通过检波电路把信号分离出来，通过放大电路增强信号，由功放电路加大功率，推动喇叭震动，转换成声波。这本身就是把电能转换成声能。你的想法是把空中的电磁波转换成电能？理论上是可以的，但实际上不好办。因为空中的电磁波能量很小，转换后没有使用价值。比如在大功率的发射天线附近，由于有很强的电磁波，你用一个螺旋线圈就可感应出电，甚至点亮灯泡。不过人家不会让你这么干的。当然这并不会打击你的热情和设想，如果你成功了，所有使用电磁波的企业都会高价买你的专利，避免他们的倒闭。
