把写歌时的哼唱备忘录按「情绪」分堆，我用了三个笨办法

我手机里有 217 条语音备忘录，全是写歌时随手哼的。文件名从「新建录音 1」到「新建录音 217」，内容大部分是 20 到 40 秒的一段人声，没有伴奏，偶尔夹着琴键声和楼道回音。这些文件的真正问题不是找不到调，而是我不知道哪一条适合做副歌、哪一条适合做前奏。上周我试着按情绪把它们分堆，用了三个不太聪明但能跑的办法。

第一步是做一组固定标签，不靠听感临时判断。我先用 Python 的 librosa 提了每条录音的 RMS 能量均值和频谱质心，这两项一个粗略对应「强弱」，一个粗略对应「明暗」。脚本很短：

import librosa, numpy as np, glob, csv

rows = []
for f in sorted(glob.glob("memos/*.m4a")):
    y, sr = librosa.load(f, sr=22050, mono=True)
    rms = float(np.mean(librosa.feature.rms(y=y)))
    centroid = float(np.mean(librosa.feature.spectral_centroid(y=y, sr=sr)))
    rows.append((f, rms, centroid))

with open("memos.csv", "w", newline="") as fh:
    w = csv.writer(fh)
    w.writerow(["file", "rms", "centroid"])
    w.writerows(rows)

第二步是把均值当坐标画散点，横轴 rms、纵轴 centroid，肉眼先把明显偏左上、偏右下、居中三团分开，再给每团起一个我能记住的名字，比如「低而暗」「高而亮」「中间稳」。第三步才是听：每团抽 10 条，边听边在文件名前加一个前缀，例如 [低暗]_新建录音 42.m4a。这一步我没有自动化，因为听感这件事我信不过聚类。

为什么用均值而不是更精细的特征：我试过用 MFCC 聚类，结果把同一段旋律的两个版本分到了不同堆，因为录音距离和房间混响差异太大。均值粗糙，但稳定，217 条录音里只有 9 条落在两团边界上，我手动归了类。代价是它无法区分「同一情绪的不同力度」，比如轻声哼和放声唱会被拆开，这在我这里是可接受的。

失效的地方也很明显。清唱录音的 RMS 受嘴离手机远近影响极大，我用 -16 LUFS 做过一次响度对齐再重算，结果有一半文件因为开头有静音段被拉高，反而更乱。另外，频谱质心对「嗯」「啊」这类元音特别敏感，同一段旋律换个元音，坐标能偏出好几格。所以这套方法只适合把「完全没头绪」变成「三堆里选一堆」，不能替代试听。

现在我的 217 条变成了三堆加一个「拿不准」文件夹。真正的问题是：你们会在写歌早期给动机贴情绪标签吗，还是等编曲方向定了再回头分类？我有点怀疑前者会把歌写窄。