工具以及使用到的库
ffmpegsoxaudacitypydubscipylibrosapyAudioAnalysisplotly
本文分为两个部分：
P1：如何使用ffmpeg和sox处理音频文件 P2：如何编程处理音频文件并执行基本处理
P1 处理语音数据——命令行方式
格式转换
ffmpeg -i video.mkv audio.mp3
使用ffmpeg将输入mkv文件转为mp3文件
降采样、通道转换
ffmpeg -i audio.wav -ar 16000 -ac 1 audio_16K_mono.wav
ar:声频采样率（audio rate）ac：声频通道（audio channel） 此处是将原来44.1kHz的双通道wav文件转为单通道wav文件
获取音频信息
ffmpeg -i audio_16K_mono.wav
将得到
Input #0, wav, from ‘audio_16K_mono.wav’:
Metadata:
encoder : Lavf57.71.100
Duration: 00:03:10.29, bitrate: 256 kb/s
Stream #0:0: Audio: pcm_s16le ([1][0][0][0] / 0x0001), 16000 Hz,
mono, s16, 256 kb/s
#0表示只有一个通道encoder：为libavformat支持的一种容器Duration：时长bitrate：比特率256kb/s，表示音频每秒传输的数据量，高质量音频一般比较大Stram：流#0：0：单通道pcm_s16le:
pcm(脉冲编码调制，pulse-code modulation)signed integer 16：（16位有符号整型）格式采样le表示小端（little endian），高位数据存地址高位，地位数据存地址地位，有如[1][0][0][0] / 0x0001。 mono：单通道
小插曲
最近看到一道数据类型题 题目：为什么float类型
(
1
e
10
+
3.14
)
−
1
e
10
=
0
?
\mathbf{(1e10+3.14)-1e10=0?}
(1e10+3.14)−1e10=0? 解题如下：
1
e
10
\mathbf{1e10}
1e10二进制表示为：
001
0
′
010
1
′
010
0
′
000
0
′
101
1
′
111
0
′
010
0
′
000
0
′
0000
\mathbf{0010'0101'0100'0000'1011'1110'0100'0000'0000}
0010′0101′0100′0000′1011′1110′0100′0000′0000 或者表示为
1.001
0
′
101
0
′
000
0
′
010
1
′
111
1
′
001
0
′
000
0
′
000
0
′
0
2
∗
2
33
\mathbf{1.0010'1010'0000'0101'1111'0010'0000'0000'0_2*2^{33}}
1.0010′1010′0000′0101′1111′0010′0000′0000′02∗233
浮点数三要素：
首位：0表示正数，1表示负数中间位，8位，为科学计数法指数部分，上例为33与偏置量（127）的和，此例为160，二进制为1010’0000尾部：23位，二进制表示的小数部分的前23位，此例为0010’1010’0000’0101’1111’001 故
1
e
10
\mathbf{1e10}
1e10的浮点数为：
0
′
101
0
′
000
0
′
001
0
′
101
0
′
000
0
′
010
1
′
111
1
′
001
\mathbf{0'1010'0000'0010'1010'0000'0101'1111'001}
0′1010′0000′0010′1010′0000′0101′1111′001 到此为止，可知舍去了科学计数法中小数部分的后10位
小数的二进制表示两个要素：
整数部分：正常表示，3.14整数部分为0011小数部分：乘以2取整数部分，
0.14*2=0.28 取00.28*2=0.56 取00.56*2=1.12 取10.12*2=0.24 取00.24*2=0.48 取00.48*2=0.96 取00.96*2=1.92 取1…
3.14的二进制表示为：
11.0010001...
\mathbf{11.0010001...}
11.0010001... 综上，
1
e
10
+
3.14
\mathbf{1e10+3.14}
1e10+3.14的二进制表示为：
1.001
0
′
101
0
′
000
0
′
010
1
′
111
1
′
001
0
′
000
0
′
000
1
′
1001
’
000
1
2
∗
2
33
\mathbf{1.0010'1010'0000'0101'1111'0010'0000'0001'1001’0001_2*2^{33}}
1.0010′1010′0000′0101′1111′0010′0000′0001′1001’00012∗233 转为浮点数，为
0
′
101
0
′
000
0
′
001
0
′
101
0
′
000
0
′
010
1
′
111
1
′
001
\mathbf{0'1010'0000'0010'1010'0000'0101'1111'001}
0′1010′0000′0010′1010′0000′0101′1111′001 与
1
e
10
\mathbf{1e10}
1e10一样，故float类型
(
1
e
10
+
3.14
)
−
1
e
10
=
0
\mathbf{(1e10+3.14)-1e10}=0
(1e10+3.14)−1e10=0
修剪音频
ffmpeg -i audio.wav -ss 60 -t 20 audio_small.wav
i：输入音频audio.wavss: 截取起始秒t：截取段时长audio_small.wav:输出文件
串联视频
新建一个list_of_files_to_concat的txt文档，内容如下：
file 'file1.wav'
file 'file2.wav'
file 'file3.wav'
采用以下命令行，可将三个文件串联输出，编码方式为复制
ffmpeg -f concat -i list_of_files_to_concat -c copy output.wav
分割视频
以下命令行将输入视频分割为1s一个
ffmpeg -i output.wav -f segment -segment_time 1 -c copy out%05d.wav
交换声道
ffmpeg -i stereo.wav -map_channel 0.0.1 -map_channel 0.0.0 stereo_inverted.wav
0.0.1输入文件音频流右声道0.0.0输入文件音频流左声道
合并声道
ffmpeg -i left.wav -i right.wav -filter_complex "[0:a][1:a]join=inputs=2:channel_layout=stereo[a]" -map "[a]" mix_channels.wav
filter_complex：复杂音频滤波器图[0:a],[1:a]：第一个和第二个文件的音频流join=inputs=2：表示两个输入流混合channel_layout=stereo：混合后输出为立体声[a]：输出音频流标签map ”[a]"：将‘[a]'标签的音频流映射到输出文件
分割立体声音频为左右单声道文件
ffmpeg -i stereo.wav -map_channel 0.0.0 left.wav -map_channel 0.0.1 right.wav
map_channel 0.0.0:将左声道映射到第一个输出文件map_channel 0.0.1:将右声道映射到第二个输出文件
将某个声道静音
ffmpeg -i stereo.wav -map_channel -1 -map_channel 0.0.1 muted.wav
map_channel -1:忽略某声道map_channel 0.0.1:将右声道映射到输出文件
音量调节
ffmpeg -i data/music_44100.wav -filter:a “volume=0.5” data/music_44100_volume_50.wav
ffmpeg -i data/music_44100.wav -filter:a “volume=2.0” data/music_44100_volume_200.wav
filter:a：使用音频过滤器“volume=0.5”：将音频音量变为原来一半“volume=2”：将音频音量变为原来两倍
图1 原声，半声，倍声(自上而下)
由图1可知，二倍声出现削波（失真）现象。
sox音量调节
sox -v 0.5 data/music_44100.wav data/music_44100_volume_50_sox.wav
sox -v 2.0 data/music_44100.wav data/music_44100_volume_200_sox.wav
sox -v n
\text{sox -v n}
sox -v n 输入文件路径 输出文件路径
v n:音量调节系数，n可理解为倍数。
P2 处理语音数据——编程方式
wav: scipy.io.wavfilemp3:pydub
以数组形式加载音频文件
# 以数组形式读取wav和mp3
from pydub import AudioSegment
import numpy as np
from scipy.io import wavfile
# 用 scipy.io.wavfile 读取wav文件
fs_wav, data_wav = wavfile.read("resampled.wav")
# 用 pydub 读取mp3
audiofile = AudioSegment.from_file("resampled.mp3")
data_mp3 = np.array(audiofile.get_array_of_samples())
fs_mp3 = audiofile.frame_rate
print('Sq Error Between mp3 and wav data = {}'.
format(((data_mp3 - data_wav)**2).sum()/len(data_wav)))
print('Signal Duration = {} seconds'.
format(data_wav.shape[0] / fs_wav))
# 输出,我使用ffmpeg将wav转成MP3，比特率将为24kb
Sq Error Between mp3 and wav data = 3775.2859044790266
Signal Duration = 34.5513125 seconds
显示左右声道
import numpy as np
from scipy.io import wavfile
import matplotlib.pyplot as plt
fs,data=wavfile.read('resampled_double.wav')
time=np.arange(0,len(data))/fs
fig,axs=plt.subplots(2,1,figsize=(10,6),sharex=True)
axs[0].plot(time,data[:,0],label='Left Channel',color='blue')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[1].plot(time,data[:,1],label='Right Channel',color='orange')
axs[1].set_ylabel('Amplitute')
axs[1].set_xlabel('Time(seconds)')
axs[1].legend()
plt.suptitle("Stereo Audio Waveform")
plt.show()
图2 左右声道展示
正则化
import matplotlib.pyplot as plt
from scipy.io import wavfile
import numpy as np
fs,data = wavfile.read("resampled_double.wav")
time=np.arange(0,len(data))/fs
plt.figure(figsize=(10,4))
plt.plot(time,data[:,0]/2^15)
plt.xlabel('Time(seconds)')
plt.ylabel('Amplitude')
plt.title('Stereo Audio Waveform')
图3 数据量化后的波形图
修剪音频
# 显示2到4秒的波形
import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile
fs,data=wavfile.read('resampled_double.wav')
time=np.arange(0,len(data[2*fs:4*fs]))/fs
plt.figure(figsize=(10,4))
plt.plot(time,data[2*fs:4*fs])
plt.xlabel('Time/s')
plt.ylabel('Amplitude')
plt.title('Stereo Audio Waveform')
plt.show()
图4 剪辑后音频波形
分割为固定大小
import numpy as np
from scipy.io import wavfile
import IPython
fs,signal=wavfile.read("resampled.wav")
segment_size_t=1
segment_size=segment_size_t*fs
segments=[signal[x:x+segment_size]for x in range(0,len(signal),segment_size)]
for i,s in enumerate(segments):
if len(s) s=np.pad(s,(0,(segment_size-len(s))),'constant') # 这里是为了每个clip都为1s wavfile.write(f"resampled_segment_{i}_{i+1}.wav",fs,s) IPython.display.display(IPython.display.Audio("resampled_segment_34_35.wav")) # 输出，成功输出35个1s的wav文件 简单算法——删去无声片段 import IPython import matplotlib.pyplot as plt import numpy as np energies=[((s/2**15)**2).sum()/len(s) for s in segments] # 防止溢出 thres=np.percentile(energies,20) indices_of_segments_to_keep=(np.where(energies>thres)[0]) segments2=np.array(segments)[indices_of_segments_to_keep] new_signal=np.concatenate(segments2) wavfile.write("processed_new.wav",fs,new_signal.astype(np.int16)) # 转成int plt.figure(figsize=(10,6)) plt.plot(energies,label="Energies",color="red") plt.plot(np.ones(len(energies))*thres,label="Thresholds",color="blue") plt.title("Energies VS Thresholds") plt.legend() plt.show() IPython.display.display(IPython.display.Audio("processed_new.wav")) IPython.display.display(IPython.display.Audio("resampled.wav")) 图5 根据能量无声片段的删除及删除后的时长 往单声道音频中加入节拍 import numpy as np import scipy.io.wavfile as wavfile import librosa import IPython import matplotlib.pyplot as plt # 加载文件并提取节奏和节拍： [Fs, s] = wavfile.read('resampled.wav') tempo, beats = librosa.beat.beat_track(y=s.astype('float'), sr=Fs, units="time") beats -= 0.05 # 在每个节拍的第二个声道上添加小的220Hz声音 s = s.reshape(-1, 1) s = np.array(np.concatenate((s, np.zeros(s.shape)), axis=1)) for ib, b in enumerate(beats): t = np.arange(0, 0.2, 1.0 / Fs) amp_mod = 0.2 / (np.sqrt(t)+0.2) - 0.2 amp_mod[amp_mod < 0] = 0 x = s.max() * np.cos(2 * np.pi * t * 220) * amp_mod s[int(Fs * b): int(Fs * b) + int(x.shape[0]), 1] = x.astype('int16') # 写入一个wav文件，其中第二个声道具有估计的节奏： wavfile.write("tempo.wav", Fs, np.int16(s)) # 在笔记本中播放生成的文件： IPython.display.display(IPython.display.Audio("tempo.wav")) # 绘制波形图 time = np.arange(0, len(s)) / Fs fig, axs = plt.subplots(2, 1, figsize=(10, 6), sharex=True) axs[0].plot(time, s[:, 0], label='左声道', color='orange') axs[0].set_ylabel('振幅') axs[0].legend() axs[1].plot(time, s[:, 1], label='右声道', color='blue') axs[1].set_xlabel("时间/秒") axs[1].set_ylabel("振幅") axs[1].legend() plt.show() 图6 添加tempo的左右声道及音频 实时录制以及频率分析 # paura_lite: # 一个超简单的命令行音频录制器，具有实时频谱可视化 import numpy as np import pyaudio import struct import scipy.fftpack as scp import termplotlib as tpl import os # 获取窗口尺寸 rows, columns = os.popen('stty size', 'r').read().split() buff_size = 0.2 # 窗口大小（秒） wanted_num_of_bins = 40 # 要显示的频率分量数量 # 初始化声卡进行录制： fs = 8000 pa = pyaudio.PyAudio() stream = pa.open(format=pyaudio.paInt16, channels=1, rate=fs, input=True, frames_per_buffer=int(fs * buff_size)) while 1: # 对于每个录制的窗口（直到按下Ctrl+C） # 获取当前块并将其转换为short整数列表， block = stream.read(int(fs * buff_size)) format = "%dh" % (len(block) / 2) shorts = struct.unpack(format, block) # 然后进行归一化并转换为numpy数组： x = np.double(list(shorts)) / (2**15) seg_len = len(x) # 获取当前窗口的总能量并计算归一化因子 # 用于可视化最大频谱图值 energy = np.mean(x ** 2) max_energy = 0.02 # 条形设置为最大的能量 max_width_from_energy = int((energy / max_energy) * int(columns)) + 1 if max_width_from_energy > int(columns) - 10: max_width_from_energy = int(columns) - 10 # 获取FFT的幅度和相应的频率 X = np.abs(scp.fft(x))[0:int(seg_len/2)] freqs = (np.arange(0, 1 + 1.0/len(X), 1.0 / len(X)) * fs / 2) # ... 并重新采样为固定数量的频率分量（用于可视化） wanted_step = (int(freqs.shape[0] / wanted_num_of_bins)) freqs2 = freqs[0::wanted_step].astype('int') X2 = np.mean(X.reshape(-1, wanted_step), axis=1) # 将（频率，FFT）作为水平直方图绘制： fig = tpl.figure() fig.barh(X2, labels=[str(int(f)) + " Hz" for f in freqs2[0:-1]], show_vals=False, max_width=max_width_from_energy) fig.show() # 添加足够多的新行以清除屏幕在下一次迭代中： print("\n" * (int(rows) - freqs2.shape[0] - 1)) 图7 实时录制并获取频谱直方图 好文推荐
发表评论