音频声谱图生成工具Skill：一条命令把声音变成看得见、读得懂的图
- 一句话定位：这是一个封装了 songsee 命令行的 AI 技能，用一条命令就能从音频生成声谱图和多种特征面板可视化，把“听”这件事变成“看”。
- 安装极简：通过 Homebrew 安装
steipete/tap/songsee即可，装上之后，只要环境里存在名为songsee的可执行文件，这个技能就可以使用。 - 能力覆盖面广：单张声谱图只是起点，还能一次渲染 mel、chroma、hpss、selfsim、loudness、tempogram、mfcc、flux 等多个面板，并以网格形式并排输出。
- 可控性强：输出尺寸、频段范围、时间切片、FFT 窗口与跳数、配色方案、图片格式都可以用参数精细调节。
- 适合谁用：音乐制作、播客后期、语音算法调试、音频教学，以及任何需要“用图说清楚一段声音”的场景。
该技能叫什么？如何下载安装 AI 技能提升开发效率？
这个技能的中文名是音频声谱图生成工具Skill，英文名是 songsee，技能 ID 为 13563。它把音乐与音频领域常用的声谱图分析流程，封装成了一个可以直接调用的命令行技能：你不需要先写一段 Python 脚本、再学一遍绘图库的 API，只要把音频文件交给命令，就能拿到视觉化结果。
它解决的核心问题是“音频不可见”。 一段音频里，哪一秒进了高频、哪里能量堆积、哪段是近似重复的结构、响度曲线怎么走，光靠耳朵听往往说不清楚；而手动搭一套分析脚本，又要处理解码、FFT 参数、配色、排版等一堆琐事。songsee 把这些步骤收敛成一条命令。
安装前提：本地需要有 Homebrew 包管理环境；命令依赖名为 songsee 的可执行文件（技能元数据中已把 songsee 列为必需二进制）。此外，WAV 与 MP3 格式是原生解码的；如果要处理其他音频格式，需要环境中装有 ffmpeg，以官方说明为准。
安装步骤：
-
打开终端，确保 Homebrew 可用。
-
执行安装命令（对应技能元数据中给出的 brew 配方
steipete/tap/songsee）：brew install steipete/tap/songsee -
安装完成后，用最简单的一条命令验证技能是否生效，例如对一个本地音频文件运行：
songsee track.mp3如果能正常输出图片文件，说明安装成功；若命令不存在，请检查 Homebrew 环境与 PATH 配置，具体以官方仓库说明为准。
-
需要处理非 WAV/MP3 格式时，再补装 ffmpeg（该技能会调用它来解码）。
验证思路：从「命令是否存在」和「能否产出一张图」两个层面确认。前者可用系统的命令查找方式检查，后者建议用一段几秒钟的短音频做快速测试，避免长文件等待过久。
该技能的主要功能和特点
- 一键生成声谱图：最快路径只有“命令 + 音频文件”两个要素，适合批量、临时、随手分析。
- 多面板特征可视化：通过
--viz一次指定多个可视化类型，支持spectrogram（声谱图）、mel（梅尔频谱）、chroma（色度/调性）、hpss（谐波-打击分离）、selfsim（自相似矩阵）、loudness（响度）、tempogram（节拍图）、mfcc（梅尔倒谱系数）、flux（频谱通量）。多个面板会渲染成网格，一张图看全貌。 - 灵活的
--viz写法：既可以重复书写--viz，也可以用逗号分隔一次性列出，方便脚本化调用。 - 多彩配色方案：
--style提供经典、岩浆、地狱、维里迪斯、灰色等调色板，既能适配论文与报告的出版需求，也能做视觉上抢眼的展示。 - 精确控制输出尺寸：
--width、--height调整图片大小，适配公众号封面、幻灯片、文档插图等不同版式。 - 可调 FFT 参数：
--window与--hop让你在时间分辨率与频率分辨率之间做权衡，细节观察和整体结构观察可自由切换。 - 可限定频段：
--min-freq/--max-freq裁剪关注区间，例如只盯住人声频段或低频鼓组。 - 时间切片：
--start与--duration可以只截取某一段，比如从第 12.5 秒起、共 8 秒，适合定位某一次爆音、某一个和弦或某一句台词。 - 支持标准输入：可以配合管道使用（
cat track.mp3 | songsee - --format png -o out.png），便于接入自动化流程。 - 输出格式可控：
--format支持 jpg 与 png，按用途选择压缩率或无损。
与普通工具相比强在哪：普通做法通常是“打开一个图形化软件，导入文件，再手动截图”，或者“写一段脚本，再调绘图库，再做多子图排版”。songsee 把多面板并排、时间切片、频段裁剪、配色选择这些高频需求都做成了参数，一次命令就能得到可直接放进报告的结果，而且天然适合批量化与流水线化。
如何使用该技能？
下面按从易到难排列，示例均来自技能提供的命令形态，可直接参考改造成自己的调用。
第 1 步：生成最基础的声谱图
songsee track.mp3
把音频文件路径换成你自己的文件即可。命令会输出对应格式的图片文件；若未显式指定输出名，遵循工具默认行为（以官方说明为准）。
第 2 步：一次生成多面板特征图
songsee track.mp3 --viz spectrogram,mel,chroma,hpss,selfsim,loudness,tempogram,mfcc,flux
这一步会把九类可视化渲染成网格。建议先跑全量，看清哪一类信息对你的问题最有价值，再按需精简。全量面板计算量更大，长音频建议配合时间切片使用。
第 3 步：只分析关心的时间段
songsee track.mp3 --start 12.5 --duration 8 -o slice.jpg
从第 12.5 秒开始截取 8 秒，并把结果写入 slice.jpg。定位爆音、齿音、瞬态异常时非常实用：先整段生成一张图找到可疑区域，再用切片放大确认。
第 4 步：用管道接入自动化流程
cat track.mp3 | songsee - --format png -o out.png
用 - 表示从标准输入读取，配合 --format png 与 -o out.png 指定格式和输出位置。适合放在批处理脚本里，对目录中的音频逐个处理。
第 5 步：按输出用途调参
- 放进 PPT 或公众号：用
--style选择更醒目的调色板，并用--width/--height控制画幅。 - 做算法对比实验：固定
--window与--hop，保证多次实验条件一致。 - 只看人声或只看低频：用
--min-freq/--max-freq限定频段。 - 需要贴进论文或打印：选择 png 格式，并搭配偏灰阶或低饱和的调色板。
输出说明：产物是一张（或多面板网格形式的）图片，格式由 --format 决定，尺寸由 --width / --height 决定，路径由 -o 指定。它不修改原始音频，只是把音频的时频特征“画”出来。
使用提示：多个 --viz 会渲染为网格，面板越多单图越大、计算越久；WAV/MP3 可以原生解码，其他容器格式需要 ffmpeg 参与，否则可能解码失败。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| songsee（本技能） | 命令行音频可视化工具 | 声谱图 + mel、chroma、hpss、selfsim、loudness、tempogram、mfcc、flux 多面板网格；支持时间切片、频段限定、FFT 参数、配色与尺寸控制、标准输入 | 需要 Homebrew 安装，会写一条命令即可 | 快速出图、批量处理、报告配图、算法调试 | 优势是“一条命令、多面板并排、参数齐全、易脚本化”；不足是需要命令行习惯，图形交互（缩放拖拽）不是它的形态 |
| 音频分析库（如 Python 的科学计算/音频分析库 + 绘图库） | 编程式音频分析 | 提供 STFT、梅尔、MFCC、色度等底层计算与绘图函数 | 需写代码、管理 Python 环境与依赖 | 科研实验、自定义算法、深度定制图表 | 优势是自由度极高；不足是脚本要自己写，多子图排版与配色需另行处理，见效慢 |
| 图形化音频分析软件 | 桌面可视化分析 | 交互式查看声谱图、叠加标注、逐帧检查 | 下载安装图形软件，学习界面操作 | 精细的人工听辨与标注 | 优势是所见即所得、便于人工排查；不足是难以批量化、难以纳入自动化流水线 |
| 通用媒体工具（如 ffmpeg 的频谱图滤镜） | 通用音视频处理 | 从音频生成频谱图图片 | 需安装媒体工具并记忆滤镜参数 | 已有流水线中的附带出图需求 | 优势是普及度高、可嵌入转码流程；不足是可视化类型相对单一，缺少多面板网格与丰富配色选择 |
选型建议：如果你要的是“马上看到一张能用的图，而且要能批量跑”，songsee 最顺手；如果要做高度定制的科研绘图，编程方案更合适；如果是人工逐帧听辨与标注，图形化软件体验更好。
该技能的典型应用场景与实际体验情况
场景一：音乐制作人排查混音问题
痛点：混音时觉得低频“糊”，但说不清是哪一段、哪个频段出的问题。使用方式：先用 songsee mix.mp3 生成整体声谱图，锁定能量异常的段落，再用 --start / --duration 切片放大，配合 --min-freq / --max-freq 只看低频区。实际体验：上手几乎没有学习成本，切片参数把“找问题”的过程变成了“看问题”；注意事项是切片前先看全局，否则容易一叶障目。
场景二：播客与视频后期做质量检查
痛点：长录音里偶尔出现爆音、齿音或环境噪声突变，人工从头听到尾耗时巨大。使用方式：对整段音频生成 loudness 与 spectrogram 面板，用异常形态快速定位时间点，再切出十秒内的片段复核。实际体验：把“盲听找问题”变成“看图找位置”，效率提升明显；建议固定一套 --window / --hop 参数形成团队标准，便于多人对比。
场景三：语音与音频算法工程师做结果对比
痛点：同一个模型改动前后，效果差异不易量化描述。使用方式：对处理前后的两份音频使用完全一致的面板组合与参数（如 mel、mfcc、flux），并排比对网格图。实际体验：多面板网格很适合做“同一时刻不同视角”的对照，参数固定后图表可直接进实验记录；需注意面板越多、图越大，长音频建议切片后比较。
场景四：教学与内容创作
痛点：讲“什么是声谱图”“什么是色度特征”时，纯文字难以建立直观印象。使用方式：用 --viz 分别渲染单一面板，用 --style 挑选辨识度高的调色板，--width / --height 调成适合投影或插图的尺寸。实际体验：出图快、配色可切换，做课件素材非常省事；注意不同调色板对同一数据的观感差异较大，展示时应保持前后一致。
该技能能为用户带来的价值
第一，把“分析音频”的时间成本压缩到一条命令。 传统路径要先选工具、再学参数、再手动截图；songsee 用一条命令换一张图，把原本几十分钟的准备工作压缩到几秒钟。
第二，降低音频可视化的门槛。 你不需要懂 STFT 的数学推导，也不需要会写绘图代码，就能拿到包含 mel、chroma、hpss、selfsim、loudness、tempogram、mfcc、flux 在内的专业级面板。对刚入行的新人来说，这是一条很短的“从听到看”的学习路径。
第三，让分析结果可复用、可对比。 参数化的调用方式意味着同一套 --viz、--window、--hop 组合可以被反复执行，前后对比、多人协作、批量处理都建立在一致的条件下，图表本身就成了可存档的证据。
第四，天然适配自动化。 支持标准输入输出与 -o 指定路径，意味着它可以被塞进脚本、批处理任务和内容生产流水线，对几十上百个文件做统一出图。
长期价值：当“看图听声”成为团队习惯，音频问题的沟通成本会显著下降：一句“你看第 12 秒那块”比十句形容词更有效。
常见问题 FAQ
Q1：怎么安装这个技能？装不上怎么办？
A：通过 Homebrew 安装 steipete/tap/songsee 即可，安装完成后运行一次最简单的命令验证是否生效。如果提示找不到命令，先确认 Homebrew 环境正常、PATH 配置生效；具体排错以官方仓库说明为准。
Q2：这个技能收费吗？
A：技能本身是一个命令行工具的封装，安装与使用方式以官方说明为准。本文不涉及任何价格信息，请以官方渠道公布的内容为准。
Q3：什么格式的音频能用？
A：WAV 与 MP3 是原生支持的；其他格式在环境中装有 ffmpeg 的情况下会被调用解码。如果遇到解码失败，优先检查 ffmpeg 是否可用。
Q4：多个面板会不会让图太乱？
A：多个 --viz 会渲染成网格，面板越多，单张图越大、计算越久。建议先用全量面板做一次“摸底”，确定真正有用的两三个之后再精简；或者用时间切片缩短分析区间。
Q5：适合谁用？和竞品怎么选？
A：适合音乐制作、播客后期、音频算法调试、音频教学等需要“把声音画出来”的人。想要一条命令快速出图、批量处理，选 songsee；想要完全自定义的科研绘图，选编程方案；想要人工逐帧听辨标注，选图形化分析软件。