一套 Groovy Tech House 风格的 DJ set 混音表面看是在播放设备之间推拉音量、切换鼓点实际落地时却更像一次小型工程选曲、拍速对齐、调性匹配、能量曲线编排、录音电平管理、导出响度检查每一环都会影响最终成品。很多刚接触电子音乐制作的人会把这些工作全部交给“感觉”两首歌听起来能不能接混到哪一段开始切录音多大声合适。感觉当然重要但如果一次要准备几十首曲目手工记录 BPM、Key、响度很容易出错也更难复现一次满意的现场状态。把曲目变成可量化的数据再用 DJ 软件完成操作是一条可以反复检查、持续发布的工作方式。接下来会从分析曲目数据开始讲到完成一套 Tech House / Techno 方向混音录音的完整流程。这篇内容适合刚接触 DJ 的音乐人也适合想用 Python 处理音频、又想理解实际应用场景的开发者。读完可以拿到一套从“曲目库”到“发布文件”的完整工作流。1. 先理解 DJ set 混音的工程基础1.1 一个 DJ set 到底由什么组成DJ set 不是简单按顺序播放完所有曲目而是在曲目之间做无缝衔接。一首电子舞曲通常会拆成 intro、build、drop、breakdown、outro 这些段落DJ 混音的核心就是在 A 曲目的 outro 与 B 曲目的 intro 之间完成节拍、和声、能量的交接。交接得好不好决定了听众是继续沉浸在舞池里还是被某个突兀的切歌拉出来。Tech House 和 Groovy Tech House 这类风格常见特征是四四拍底鼓、有弹性的 bassline、相对稳定的速度和偏律动的织体Techno 则往往更机械、更重复氛围也更冷。不同风格对混音手法的要求不同但基础参数是相同的BPM、调性、能量。只要这三项数据能准确拿到混音顺序和过渡方式就有了可讨论的依据。在实际项目中曲目数量一旦超过 20 首靠纯手工记录很容易出现两个问题。一是重复劳动每首歌都要听两三遍才能判断 BPM 和调性二是结果不可复用这次 set 里判断过的曲目下次换一个播放列表又要重新来一遍。把分析过程脚本化之后曲目加了、换了、重新排序了只需要重新跑一次脚本就能得到更新后的完整数据表。1.2 BPM、调性和能量三个核心参数BPM 决定两首曲目能否在时间轴上对齐。Tech House 曲目常落在每分钟 120 到 125 拍附近但实际歌曲之间总会有偏差所以混音前要先确认每首歌的 BPM再决定是用软件同步还是手动微调播放速度。关键是变速会改变音高所以很多 DJ 软件会自动做音高修正否则男声可能变成“花栗鼠音”。调性决定两首曲目叠加时是否和谐。这里说的调性不是只看表面写的 Key而是要落到具体的主音和大小调。如果两首歌的和声基础完全不同强行混在一起就会出现刺耳的 dissonance。Camelot 编号系统把调性转换简化成了数字和字母组合方便快速判断相邻兼容性。能量听起来很主观但它其实是可测量的。声音的 RMS 电平、频谱密度、打击乐强度共同构成情绪感。一套 DJ set 如果没有能量起伏听众很快就会疲劳反过来如果开头就放到最大能量后面就没办法继续推进。脚本里用 RMS 算出的响度只是初筛真正判断能量是否合适还是要结合曲目结构和耳朵听感。参数含义对混音的影响常用获取方式BPM每分钟节拍数决定两首曲目能否同步能否在固定小节内完成切换软件检测、节拍器、脚本Key曲目的主音与大小调影响叠加和声是否冲突决定过渡是否自然调性检测算法、耳朵确认Energy声音力度和密度决定 set 的情绪曲线影响录音整体响度RMS、LUFS 扫描、主观判断1.3 混音前的技术检查清单进入分析脚本之前先检查源文件质量。下面这几项如果没做好后面所有数据都可能失真源文件不能有严重削波。如果波形已经顶满分析结果和录音电平都会被误导。统一格式。优先使用 WAV、FLAC 或高码率 MP3不要混用低码率文件。分析脚本统一把音频处理成单声道、44.1kHz 采样率避免声道差异影响响度计算。保留原始文件不修改。分析结果、播放列表、混音计划全部放到独立目录。曲目标题、艺术家、BPM、Key 等信息尽量在音频文件标签里写清楚后续整理会省很多时间。这里要特别注意脚本分析只是辅助判断不能替代真实听感。自动检测出来的 Key 尤其可能出错尤其是纯鼓组、无旋律、频繁转调的曲目最后一定要用耳朵复核。2. 环境准备把曲目变成可量化的数据2.1 为什么先用程序分析而不是直接上手一个常见误区是既然 DJ 软件里也能显示 BPM 和 Key为什么还要用 Python 自己分析一遍答案在于批量处理和数据记录。DJ 软件对当前播放曲目的检测是实时的但不会一次性把所有曲目都整理成一张可以排序、筛选、保存的表格。用脚本跑一次得到的是 CSV 文件里面有每首歌的 BPM、调性、响度、时长可以直接放进表格工具里分析也可以作为混音计划的原始依据。程序分析的另一个好处是可复现。分析逻辑是固定的同一首歌每次跑结果都相同不会因为当天状态或设备差异变化。这样一来曲目库更新后重新生成一次数据就能快速对比新旧结果。对于经常做 set 的 DJ 或音乐制作人这套流程比在播放器里手工点选高效得多。2.2 安装 Python、librosa 和 FFmpeg分析脚本依赖 librosa它是 Python 生态里比较常用的音频分析库。安装前先创建虚拟环境避免污染系统 Pythonpython -m venv .venv # Windows .venv\Scripts\activate # macOS / Linux source .venv/bin/activate python -m pip install --upgrade pip pip install librosa numpy pandas audioreadlibrosa 读取 MP3、M4A 这类压缩格式时需要额外依赖。audioread 是纯 Python 层真正解码 MP3 时通常还要用到 FFmpeg。macOS 上可以安装 Homebrew 后执行brew install ffmpegWindows 上可以通过包管理器安装安装完成后在终端执行ffmpeg -version能看到版本信息就说明解码器可用。如果提示找不到命令需要把 FFmpeg 的路径加入系统 PATH。注意pip install ffmpeg是不正确的做法Python 包名不是 FFmpeg系统工具需要单独安装。2.3 建立曲目库目录结构为了方便复用建议先建立一个固定的目录结构。下面这个结构可以按需调整但原始文件、分析结果、混音计划要分开存放track-library/ originals/ selected/ analysis/ set_plan/ archive/originals存放从音源下载或购买的原始音频文件selected放筛选后准备进 set 的曲目。analysis放脚本输出的 CSV 和日志set_plan放混音计划文档archive放已经发布或废弃的历史版本。原始文件与输出分开是为了避免误覆盖。分析脚本不会修改源文件但输出结果会反复更新目录隔离后即使输出文件损坏也不会影响原始曲目。这一步在项目开始时就做好后续维护成本会低很多。3. 写一个曲目分析脚本BPM、调性和响度3.1 分析脚本完整代码下面的脚本可以接收一个曲目目录遍历所有支持的音频文件输出每首歌的 BPM、调性、Camelot 编号、响度和时长。代码只依赖 librosa、numpy、pandas适合作为学习的起点。import argparse from pathlib import Path import librosa import numpy as np import pandas as pd SR 44100 MAJOR_PROFILE np.array([6.35, 2.23, 3.48, 2.33, 4.38, 4.09, 2.52, 5.19, 2.39, 3.66, 2.29, 2.88]) MINOR_PROFILE np.array([6.33, 2.68, 3.52, 5.38, 2.60, 3.53, 2.54, 4.75, 3.98, 2.69, 3.34, 3.17]) PITCH_CLASSES [C, C#, D, D#, E, F, F#, G, G#, A, A#, B] CAMELOT_MAJOR { C: 8B, C#: 3B, D: 10B, D#: 5B, E: 12B, F: 7B, F#: 2B, G: 9B, G#: 4B, A: 11B, A#: 6B, B: 1B, } CAMELOT_MINOR { C: 5A, C#: 12A, D: 7A, D#: 2A, E: 9A, F: 4A, F#: 11A, G: 6A, G#: 1A, A: 8A, A#: 3A, B: 10A, } def detect_tempo(y, sr): tempo, beats librosa.beat.beat_track(yy, srsr, unitsframes) # 不同版本返回类型有差异旧版本返回数值新版本可能返回 numpy 数组 if np.ndim(tempo) 0: tempo float(tempo[0]) return round(float(tempo), 2) def detect_key(y, sr): chroma librosa.feature.chroma_cqt(yy, srsr) chroma_mean chroma.mean(axis1) best_corr -1.0 best_label C major for i in range(12): corr_major np.corrcoef(chroma_mean, np.roll(MAJOR_PROFILE, i))[0, 1] corr_minor np.corrcoef(chroma_mean, np.roll(MINOR_PROFILE, i))[0, 1] if corr_major best_corr: best_corr corr_major best_label f{PITCH_CLASSES[i]} major if corr_minor best_corr: best_corr corr_minor best_label f{PITCH_CLASSES[i]} minor return best_label, round(float(np.abs(best_corr)), 4) def detect_levels(y): rms librosa.feature.rms(yy)[0] rms_db 20.0 * np.log10(np.clip(rms, 1e-10, None)) peak_db 20.0 * np.log10(np.clip(np.max(np.abs(y)), 1e-10, None)) return round(float(np.mean(rms_db)), 2), round(float(peak_db), 2) def analyze_file(path: Path): y, sr librosa.load(str(path), srSR, monoTrue) tempo detect_tempo(y, sr) key_label, key_corr detect_key(y, sr) mean_rms_db, peak_db detect_levels(y) root key_label.split()[0] is_minor key_label.split()[1] minor camelot CAMELOT_MINOR.get(root) if is_minor else CAMELOT_MAJOR.get(root) duration librosa.get_duration(yy, srsr) return { file: path.name, bpm: tempo, key: key_label, camelot: camelot if camelot else , key_corr: key_corr, mean_rms_db: mean_rms_db, peak_db: peak_db, duration_sec: round(float(duration), 2), } def main(): parser argparse.ArgumentParser(descriptionAnalyze tracks for DJ set planning) parser.add_argument(input_dir, typePath, helpdirectory containing audio files) parser.add_argument(--output, typePath, defaultPath(analysis/library_analysis.csv)) args parser.parse_args() audio_exts {.wav, .mp3, .flac, .aiff, .aif, .m4a} files sorted( [p for p in args.input_dir.rglob(*) if p.suffix.lower() in audio_exts] ) if not files: print(No audio files found.) return rows [analyze_file(p) for p in files] df pd.DataFrame(rows) args.output.parent.mkdir(parentsTrue, exist_okTrue) df.to_csv(args.output, indexFalse, encodingutf-8-sig) print(df.to_string(indexFalse)) if __name__ __main__: main()脚本的核心逻辑分三步先用librosa.load统一采样率并转成单声道再用 beat tracking 和 chroma 特征做 BPM 与调性检测最后用 RMS 和峰值计算电平。encodingutf-8-sig是为了让 CSV 在 Excel 里打开时中文不会乱码。3.2 输出 CSV 与关键字段说明运行时先创建好originals/selected目录放入几首测试曲目然后执行python analyze_tracks.py originals/selected --output analysis/library_analysis.csv正常输出大概是这样的 CSVfile,bpm,key,camelot,key_corr,mean_rms_db,peak_db,duration_sec track01.wav,124.3,F minor,4A,0.71,-18.4,-1.2,362.5 track02.wav,125.0,C major,8B,0.68,-16.1,-0.8,341.9 track03.wav,123.6,D minor,7A,0.55,-19.2,-2.0,388.4字段含义如下字段含义使用建议file文件名尽量与曲目录音匹配便于回查bpm每分钟拍数用于拍速排序和节拍对齐key自动检测到的调性只作为参考需要耳听确认camelot对应 Camelot 编号用于快速判断相邻调性key_corr调性检测相关系数低于 0.5 时结果可信度较低mean_rms_db平均 RMS 电平用于初步判断曲目能量peak_db峰值电平用于检查是否削波duration_sec曲目时长用于 set 总时长规划key_corr是一个值得关注的字段。相关系数越高说明当前曲目的音高能量分布越接近匹配的调性模板如果很低说明这首歌可能没有稳定调性、频繁转调或者分析样本太短。碰到这种情况不要勉强依赖自动结果。3.3 调性检测的原理和限制脚本里使用了 chroma 特征加 Krumhansl-Schmuckler 模板匹配。chroma 特征把音频转换成 12 个半音类别的能量分布每种调性在理想情况下会对应一种特定的能量模板。脚本把实际能量分布与大小调模板逐一旋转比较找到相关度最高的组合就是预测的调性。这种方法的优点是实现简单、速度较快适合批量初筛。但它有两个明显限制。第一没有旋律或只有纯鼓的曲目chroma 能量可能过于平均模板匹配会不稳定。第二现代电子音乐经常转调或者整首歌围绕一个 riff 反复编织自动检测只能给出全局平均结果无法反映段落变化。在混音实践中正确的处理方式是先用脚本跑出候选 Key再在 DJ 软件里用耳朵确认每首歌的高潮段和过渡段。如果两首歌的自动结果看起来不兼容但实际试听很顺那就以耳朵为准。数据是地图不是最终判决。4. 根据数据规划混音顺序4.1 Camelot 调性匹配规则Camelot 系统把 24 个大小调映射到 12 个数字和 1 到 12 的编号上字母 A 表示小调B 表示大调。常见映射如下CamelotKeyCamelotKey8BC major8AA minor9BG major9AE minor10BD major10AB minor11BA major11AF# minor12BE major12AC# minor7BF major7AD minor兼容原则大致是同一字母的 A/B 可以互换因为它们是关系大小调数字相邻的调性通常比较安全数字相同但字母不同的调性也常被用来做情绪切换。比如一首 8B 的歌切到 8A和声冲突通常很小从 8B 切到 9B也是常见做法。这套规则是 DJ 选曲的“安全道路”不是乐理上的硬性限制。如果两首歌的数字相差很大不代表绝对不能接只是冲突风险更高需要更仔细处理过渡。4.2 能量曲线和 set 分段一套完整的 set 通常像一条曲线开场建立 groove接着逐步推进中间进入高峰最后回落收尾。如果所有曲目都放在同一能量层级听众很快就会失去注意力。下面是一个示例编排框架具体曲目数要按 set 时长调整分段目标参考曲目数能量等级常见过渡方式开场建立节奏不要急着爆发2-3低到中长 mix低频渐进推进加入更多打击乐和旋律元素2-3中4 或 8 个小节切换高峰鼓点最密、能量最高2-4高短重叠快速切换回落降低情绪为收尾准备1-2中到低利用 breakdown 淡出这个框架不是唯一答案。有人喜欢从高峰开始有人喜欢全程保持高能。关键是开场前要清楚每一段的能量目标排歌单时才能选出对应曲目。4.3 用脚本按能量排序再人工微调分析 CSV 生成后可以用 pandas 做初步排序。比如先按平均 RMS 从高到低排序得到一个能量从强到弱的候选列表import pandas as pd df pd.read_csv(analysis/library_analysis.csv) df df.sort_values(mean_rms_db, ascendingFalse) print(df[[file, bpm, camelot, mean_rms_db]].to_string(indexFalse))这个排序直接进入 set 计划还不够。因为能量高不代表适合开场可能这首歌 breakdown 太长也可能和前后曲目调性冲突。合理做法是先按能量排序再手动检查 Camelot 编号是否相邻、BPM 是否需要大幅修正最后在软件里试听两首曲目的交接点。在实际编排时我会把候选序列分成“开场段、推进段、高峰段、回落段”每段内部再按能量排序段与段之间保证 Camelot 相邻或相同。这样既能保持情绪推进又不会因为调性跳变让过渡变生硬。4.4 两首曲目交接的注意点A 曲目过渡到 B 曲目时最先要对齐的是节拍。在 DJ 软件里先让 B 曲目的第一个底鼓落在 A 曲目某个小节的第 1 拍上然后通过耳机监听确认节奏是否同步。同步稳定后再开始操作 EQ 和音量。低频是过渡中最需要注意的部分。两个重低音同时在播放如果拍点完全对齐声音会叠加变厚能量很强如果有一点错位就会出现“相位打架”声音反而变薄。常见做法是在新曲目的底鼓进入前先把 A 曲目的低频 EQ 降低给 B 曲目留出空间然后再逐渐提升 B 曲目的音量。不要在一首歌的 vocal 或主旋律正进行时切走除非你有意制造反差。更稳妥的方式是在 breakdown 的尾部、新的打击乐进入之前开始过渡这样听众会把注意力自然转向新曲目。5. 在 DJ 软件中完成录制5.1 把分析结果变成播放列表拿到分析数据后在 DJ 软件里新建一个播放列表按 set 计划顺序加入曲目。Rekordbox 等软件会对每首歌自动生成 beat grid但它依赖的分析结果不一定和你的脚本一致。进入录制前要逐首检查 beat grid 是否对齐。检查方法很简单让歌曲播放观察软件里的拍线是否始终压在每个底鼓和军鼓上。如果中间出现偏移需要手动移动 beat grid 或重设第一个强拍。这个动作必须在正式混音前完成否则循环、节拍同步和录出来的成品都会受影响。如果使用 Ableton Live可以把音频文件直接拖进 Arrangement View开启 Warp 后按分析出的 BPM 对齐。Ableton 的优势是录音、编辑和导出都在同一工程里完成适合做更精细的后期处理。5.2 对拍、EQ 和滤波的操作顺序正式混音时先在耳机 cue 里 用Python分析BPM、调性与响度，科学规划DJ混音Set
一套 Groovy Tech House 风格的 DJ set 混音表面看是在播放设备之间推拉音量、切换鼓点实际落地时却更像一次小型工程选曲、拍速对齐、调性匹配、能量曲线编排、录音电平管理、导出响度检查每一环都会影响最终成品。很多刚接触电子音乐制作的人会把这些工作全部交给“感觉”两首歌听起来能不能接混到哪一段开始切录音多大声合适。感觉当然重要但如果一次要准备几十首曲目手工记录 BPM、Key、响度很容易出错也更难复现一次满意的现场状态。把曲目变成可量化的数据再用 DJ 软件完成操作是一条可以反复检查、持续发布的工作方式。接下来会从分析曲目数据开始讲到完成一套 Tech House / Techno 方向混音录音的完整流程。这篇内容适合刚接触 DJ 的音乐人也适合想用 Python 处理音频、又想理解实际应用场景的开发者。读完可以拿到一套从“曲目库”到“发布文件”的完整工作流。1. 先理解 DJ set 混音的工程基础1.1 一个 DJ set 到底由什么组成DJ set 不是简单按顺序播放完所有曲目而是在曲目之间做无缝衔接。一首电子舞曲通常会拆成 intro、build、drop、breakdown、outro 这些段落DJ 混音的核心就是在 A 曲目的 outro 与 B 曲目的 intro 之间完成节拍、和声、能量的交接。交接得好不好决定了听众是继续沉浸在舞池里还是被某个突兀的切歌拉出来。Tech House 和 Groovy Tech House 这类风格常见特征是四四拍底鼓、有弹性的 bassline、相对稳定的速度和偏律动的织体Techno 则往往更机械、更重复氛围也更冷。不同风格对混音手法的要求不同但基础参数是相同的BPM、调性、能量。只要这三项数据能准确拿到混音顺序和过渡方式就有了可讨论的依据。在实际项目中曲目数量一旦超过 20 首靠纯手工记录很容易出现两个问题。一是重复劳动每首歌都要听两三遍才能判断 BPM 和调性二是结果不可复用这次 set 里判断过的曲目下次换一个播放列表又要重新来一遍。把分析过程脚本化之后曲目加了、换了、重新排序了只需要重新跑一次脚本就能得到更新后的完整数据表。1.2 BPM、调性和能量三个核心参数BPM 决定两首曲目能否在时间轴上对齐。Tech House 曲目常落在每分钟 120 到 125 拍附近但实际歌曲之间总会有偏差所以混音前要先确认每首歌的 BPM再决定是用软件同步还是手动微调播放速度。关键是变速会改变音高所以很多 DJ 软件会自动做音高修正否则男声可能变成“花栗鼠音”。调性决定两首曲目叠加时是否和谐。这里说的调性不是只看表面写的 Key而是要落到具体的主音和大小调。如果两首歌的和声基础完全不同强行混在一起就会出现刺耳的 dissonance。Camelot 编号系统把调性转换简化成了数字和字母组合方便快速判断相邻兼容性。能量听起来很主观但它其实是可测量的。声音的 RMS 电平、频谱密度、打击乐强度共同构成情绪感。一套 DJ set 如果没有能量起伏听众很快就会疲劳反过来如果开头就放到最大能量后面就没办法继续推进。脚本里用 RMS 算出的响度只是初筛真正判断能量是否合适还是要结合曲目结构和耳朵听感。参数含义对混音的影响常用获取方式BPM每分钟节拍数决定两首曲目能否同步能否在固定小节内完成切换软件检测、节拍器、脚本Key曲目的主音与大小调影响叠加和声是否冲突决定过渡是否自然调性检测算法、耳朵确认Energy声音力度和密度决定 set 的情绪曲线影响录音整体响度RMS、LUFS 扫描、主观判断1.3 混音前的技术检查清单进入分析脚本之前先检查源文件质量。下面这几项如果没做好后面所有数据都可能失真源文件不能有严重削波。如果波形已经顶满分析结果和录音电平都会被误导。统一格式。优先使用 WAV、FLAC 或高码率 MP3不要混用低码率文件。分析脚本统一把音频处理成单声道、44.1kHz 采样率避免声道差异影响响度计算。保留原始文件不修改。分析结果、播放列表、混音计划全部放到独立目录。曲目标题、艺术家、BPM、Key 等信息尽量在音频文件标签里写清楚后续整理会省很多时间。这里要特别注意脚本分析只是辅助判断不能替代真实听感。自动检测出来的 Key 尤其可能出错尤其是纯鼓组、无旋律、频繁转调的曲目最后一定要用耳朵复核。2. 环境准备把曲目变成可量化的数据2.1 为什么先用程序分析而不是直接上手一个常见误区是既然 DJ 软件里也能显示 BPM 和 Key为什么还要用 Python 自己分析一遍答案在于批量处理和数据记录。DJ 软件对当前播放曲目的检测是实时的但不会一次性把所有曲目都整理成一张可以排序、筛选、保存的表格。用脚本跑一次得到的是 CSV 文件里面有每首歌的 BPM、调性、响度、时长可以直接放进表格工具里分析也可以作为混音计划的原始依据。程序分析的另一个好处是可复现。分析逻辑是固定的同一首歌每次跑结果都相同不会因为当天状态或设备差异变化。这样一来曲目库更新后重新生成一次数据就能快速对比新旧结果。对于经常做 set 的 DJ 或音乐制作人这套流程比在播放器里手工点选高效得多。2.2 安装 Python、librosa 和 FFmpeg分析脚本依赖 librosa它是 Python 生态里比较常用的音频分析库。安装前先创建虚拟环境避免污染系统 Pythonpython -m venv .venv # Windows .venv\Scripts\activate # macOS / Linux source .venv/bin/activate python -m pip install --upgrade pip pip install librosa numpy pandas audioreadlibrosa 读取 MP3、M4A 这类压缩格式时需要额外依赖。audioread 是纯 Python 层真正解码 MP3 时通常还要用到 FFmpeg。macOS 上可以安装 Homebrew 后执行brew install ffmpegWindows 上可以通过包管理器安装安装完成后在终端执行ffmpeg -version能看到版本信息就说明解码器可用。如果提示找不到命令需要把 FFmpeg 的路径加入系统 PATH。注意pip install ffmpeg是不正确的做法Python 包名不是 FFmpeg系统工具需要单独安装。2.3 建立曲目库目录结构为了方便复用建议先建立一个固定的目录结构。下面这个结构可以按需调整但原始文件、分析结果、混音计划要分开存放track-library/ originals/ selected/ analysis/ set_plan/ archive/originals存放从音源下载或购买的原始音频文件selected放筛选后准备进 set 的曲目。analysis放脚本输出的 CSV 和日志set_plan放混音计划文档archive放已经发布或废弃的历史版本。原始文件与输出分开是为了避免误覆盖。分析脚本不会修改源文件但输出结果会反复更新目录隔离后即使输出文件损坏也不会影响原始曲目。这一步在项目开始时就做好后续维护成本会低很多。3. 写一个曲目分析脚本BPM、调性和响度3.1 分析脚本完整代码下面的脚本可以接收一个曲目目录遍历所有支持的音频文件输出每首歌的 BPM、调性、Camelot 编号、响度和时长。代码只依赖 librosa、numpy、pandas适合作为学习的起点。import argparse from pathlib import Path import librosa import numpy as np import pandas as pd SR 44100 MAJOR_PROFILE np.array([6.35, 2.23, 3.48, 2.33, 4.38, 4.09, 2.52, 5.19, 2.39, 3.66, 2.29, 2.88]) MINOR_PROFILE np.array([6.33, 2.68, 3.52, 5.38, 2.60, 3.53, 2.54, 4.75, 3.98, 2.69, 3.34, 3.17]) PITCH_CLASSES [C, C#, D, D#, E, F, F#, G, G#, A, A#, B] CAMELOT_MAJOR { C: 8B, C#: 3B, D: 10B, D#: 5B, E: 12B, F: 7B, F#: 2B, G: 9B, G#: 4B, A: 11B, A#: 6B, B: 1B, } CAMELOT_MINOR { C: 5A, C#: 12A, D: 7A, D#: 2A, E: 9A, F: 4A, F#: 11A, G: 6A, G#: 1A, A: 8A, A#: 3A, B: 10A, } def detect_tempo(y, sr): tempo, beats librosa.beat.beat_track(yy, srsr, unitsframes) # 不同版本返回类型有差异旧版本返回数值新版本可能返回 numpy 数组 if np.ndim(tempo) 0: tempo float(tempo[0]) return round(float(tempo), 2) def detect_key(y, sr): chroma librosa.feature.chroma_cqt(yy, srsr) chroma_mean chroma.mean(axis1) best_corr -1.0 best_label C major for i in range(12): corr_major np.corrcoef(chroma_mean, np.roll(MAJOR_PROFILE, i))[0, 1] corr_minor np.corrcoef(chroma_mean, np.roll(MINOR_PROFILE, i))[0, 1] if corr_major best_corr: best_corr corr_major best_label f{PITCH_CLASSES[i]} major if corr_minor best_corr: best_corr corr_minor best_label f{PITCH_CLASSES[i]} minor return best_label, round(float(np.abs(best_corr)), 4) def detect_levels(y): rms librosa.feature.rms(yy)[0] rms_db 20.0 * np.log10(np.clip(rms, 1e-10, None)) peak_db 20.0 * np.log10(np.clip(np.max(np.abs(y)), 1e-10, None)) return round(float(np.mean(rms_db)), 2), round(float(peak_db), 2) def analyze_file(path: Path): y, sr librosa.load(str(path), srSR, monoTrue) tempo detect_tempo(y, sr) key_label, key_corr detect_key(y, sr) mean_rms_db, peak_db detect_levels(y) root key_label.split()[0] is_minor key_label.split()[1] minor camelot CAMELOT_MINOR.get(root) if is_minor else CAMELOT_MAJOR.get(root) duration librosa.get_duration(yy, srsr) return { file: path.name, bpm: tempo, key: key_label, camelot: camelot if camelot else , key_corr: key_corr, mean_rms_db: mean_rms_db, peak_db: peak_db, duration_sec: round(float(duration), 2), } def main(): parser argparse.ArgumentParser(descriptionAnalyze tracks for DJ set planning) parser.add_argument(input_dir, typePath, helpdirectory containing audio files) parser.add_argument(--output, typePath, defaultPath(analysis/library_analysis.csv)) args parser.parse_args() audio_exts {.wav, .mp3, .flac, .aiff, .aif, .m4a} files sorted( [p for p in args.input_dir.rglob(*) if p.suffix.lower() in audio_exts] ) if not files: print(No audio files found.) return rows [analyze_file(p) for p in files] df pd.DataFrame(rows) args.output.parent.mkdir(parentsTrue, exist_okTrue) df.to_csv(args.output, indexFalse, encodingutf-8-sig) print(df.to_string(indexFalse)) if __name__ __main__: main()脚本的核心逻辑分三步先用librosa.load统一采样率并转成单声道再用 beat tracking 和 chroma 特征做 BPM 与调性检测最后用 RMS 和峰值计算电平。encodingutf-8-sig是为了让 CSV 在 Excel 里打开时中文不会乱码。3.2 输出 CSV 与关键字段说明运行时先创建好originals/selected目录放入几首测试曲目然后执行python analyze_tracks.py originals/selected --output analysis/library_analysis.csv正常输出大概是这样的 CSVfile,bpm,key,camelot,key_corr,mean_rms_db,peak_db,duration_sec track01.wav,124.3,F minor,4A,0.71,-18.4,-1.2,362.5 track02.wav,125.0,C major,8B,0.68,-16.1,-0.8,341.9 track03.wav,123.6,D minor,7A,0.55,-19.2,-2.0,388.4字段含义如下字段含义使用建议file文件名尽量与曲目录音匹配便于回查bpm每分钟拍数用于拍速排序和节拍对齐key自动检测到的调性只作为参考需要耳听确认camelot对应 Camelot 编号用于快速判断相邻调性key_corr调性检测相关系数低于 0.5 时结果可信度较低mean_rms_db平均 RMS 电平用于初步判断曲目能量peak_db峰值电平用于检查是否削波duration_sec曲目时长用于 set 总时长规划key_corr是一个值得关注的字段。相关系数越高说明当前曲目的音高能量分布越接近匹配的调性模板如果很低说明这首歌可能没有稳定调性、频繁转调或者分析样本太短。碰到这种情况不要勉强依赖自动结果。3.3 调性检测的原理和限制脚本里使用了 chroma 特征加 Krumhansl-Schmuckler 模板匹配。chroma 特征把音频转换成 12 个半音类别的能量分布每种调性在理想情况下会对应一种特定的能量模板。脚本把实际能量分布与大小调模板逐一旋转比较找到相关度最高的组合就是预测的调性。这种方法的优点是实现简单、速度较快适合批量初筛。但它有两个明显限制。第一没有旋律或只有纯鼓的曲目chroma 能量可能过于平均模板匹配会不稳定。第二现代电子音乐经常转调或者整首歌围绕一个 riff 反复编织自动检测只能给出全局平均结果无法反映段落变化。在混音实践中正确的处理方式是先用脚本跑出候选 Key再在 DJ 软件里用耳朵确认每首歌的高潮段和过渡段。如果两首歌的自动结果看起来不兼容但实际试听很顺那就以耳朵为准。数据是地图不是最终判决。4. 根据数据规划混音顺序4.1 Camelot 调性匹配规则Camelot 系统把 24 个大小调映射到 12 个数字和 1 到 12 的编号上字母 A 表示小调B 表示大调。常见映射如下CamelotKeyCamelotKey8BC major8AA minor9BG major9AE minor10BD major10AB minor11BA major11AF# minor12BE major12AC# minor7BF major7AD minor兼容原则大致是同一字母的 A/B 可以互换因为它们是关系大小调数字相邻的调性通常比较安全数字相同但字母不同的调性也常被用来做情绪切换。比如一首 8B 的歌切到 8A和声冲突通常很小从 8B 切到 9B也是常见做法。这套规则是 DJ 选曲的“安全道路”不是乐理上的硬性限制。如果两首歌的数字相差很大不代表绝对不能接只是冲突风险更高需要更仔细处理过渡。4.2 能量曲线和 set 分段一套完整的 set 通常像一条曲线开场建立 groove接着逐步推进中间进入高峰最后回落收尾。如果所有曲目都放在同一能量层级听众很快就会失去注意力。下面是一个示例编排框架具体曲目数要按 set 时长调整分段目标参考曲目数能量等级常见过渡方式开场建立节奏不要急着爆发2-3低到中长 mix低频渐进推进加入更多打击乐和旋律元素2-3中4 或 8 个小节切换高峰鼓点最密、能量最高2-4高短重叠快速切换回落降低情绪为收尾准备1-2中到低利用 breakdown 淡出这个框架不是唯一答案。有人喜欢从高峰开始有人喜欢全程保持高能。关键是开场前要清楚每一段的能量目标排歌单时才能选出对应曲目。4.3 用脚本按能量排序再人工微调分析 CSV 生成后可以用 pandas 做初步排序。比如先按平均 RMS 从高到低排序得到一个能量从强到弱的候选列表import pandas as pd df pd.read_csv(analysis/library_analysis.csv) df df.sort_values(mean_rms_db, ascendingFalse) print(df[[file, bpm, camelot, mean_rms_db]].to_string(indexFalse))这个排序直接进入 set 计划还不够。因为能量高不代表适合开场可能这首歌 breakdown 太长也可能和前后曲目调性冲突。合理做法是先按能量排序再手动检查 Camelot 编号是否相邻、BPM 是否需要大幅修正最后在软件里试听两首曲目的交接点。在实际编排时我会把候选序列分成“开场段、推进段、高峰段、回落段”每段内部再按能量排序段与段之间保证 Camelot 相邻或相同。这样既能保持情绪推进又不会因为调性跳变让过渡变生硬。4.4 两首曲目交接的注意点A 曲目过渡到 B 曲目时最先要对齐的是节拍。在 DJ 软件里先让 B 曲目的第一个底鼓落在 A 曲目某个小节的第 1 拍上然后通过耳机监听确认节奏是否同步。同步稳定后再开始操作 EQ 和音量。低频是过渡中最需要注意的部分。两个重低音同时在播放如果拍点完全对齐声音会叠加变厚能量很强如果有一点错位就会出现“相位打架”声音反而变薄。常见做法是在新曲目的底鼓进入前先把 A 曲目的低频 EQ 降低给 B 曲目留出空间然后再逐渐提升 B 曲目的音量。不要在一首歌的 vocal 或主旋律正进行时切走除非你有意制造反差。更稳妥的方式是在 breakdown 的尾部、新的打击乐进入之前开始过渡这样听众会把注意力自然转向新曲目。5. 在 DJ 软件中完成录制5.1 把分析结果变成播放列表拿到分析数据后在 DJ 软件里新建一个播放列表按 set 计划顺序加入曲目。Rekordbox 等软件会对每首歌自动生成 beat grid但它依赖的分析结果不一定和你的脚本一致。进入录制前要逐首检查 beat grid 是否对齐。检查方法很简单让歌曲播放观察软件里的拍线是否始终压在每个底鼓和军鼓上。如果中间出现偏移需要手动移动 beat grid 或重设第一个强拍。这个动作必须在正式混音前完成否则循环、节拍同步和录出来的成品都会受影响。如果使用 Ableton Live可以把音频文件直接拖进 Arrangement View开启 Warp 后按分析出的 BPM 对齐。Ableton 的优势是录音、编辑和导出都在同一工程里完成适合做更精细的后期处理。5.2 对拍、EQ 和滤波的操作顺序正式混音时先在耳机 cue 里