python音频处理用到的操作的示例代码

时间：2021-12-13 07:50:08

前言

本文主要记录python下音频常用的操作，以.wav格式文件为例。其实网上有很多现成的音频工具包，如果仅仅调用，工具包是更方便的。

更多pyton下的操作可以参考： 用python做科学计算

1、批量读取.wav文件名：

这里用到字符串路径：

1.通常意义字符串(str)
2.原始字符串，以大写R 或 小写r开始，r''，不对特殊字符进行转义
3.Unicode字符串，u'' basestring子类

如：

?
1
2
3
4
5
path = './file/n'
 
path = r'.\file\n'
 
path = '.\\file\\n'

三者等价，右划线\为转义字符，引号前加r表示原始字符串，而不转义（r:raw string）.

常用获取帮助的方式：

?
1
2
3
>>> help(str)
>>> dir(str)
>>> help(str.replace)

2、读取.wav文件

wave.open 用法：

?
1
wave.open(file,mode)

mode可以是：

‘rb'，读取文件；

‘wb'，写入文件;

不支持同时读/写操作。

Wave_read.getparams用法：

?
1
2
3
4
5
f = wave.open(file,'rb')
 
params = f.getparams()
 
nchannels, sampwidth, framerate, nframes = params[:4]

其中最后一行为常用的音频参数：

  1. nchannels:声道数
  2. sampwidth:量化位数（byte）
  3. framerate:采样频率
  4. nframes:采样点数

单通道

对应code:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
import wave
 
import matplotlib.pyplot as plt
 
import numpy as np
 
import os
 
 
 
filepath = "./data/" #添加路径
 
filename= os.listdir(filepath) #得到文件夹下的所有文件名称
 
f = wave.open(filepath+filename[1],'rb')
 
params = f.getparams()
 
nchannels, sampwidth, framerate, nframes = params[:4]
 
strData = f.readframes(nframes)#读取音频，字符串格式
 
waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int
 
waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化
 
# plot the wave
 
time = np.arange(0,nframes)*(1.0 / framerate)
 
plt.plot(time,waveData)
 
plt.xlabel("Time(s)")
 
plt.ylabel("Amplitude")
 
plt.title("Single channel wavedata")
 
plt.grid('on')#标尺，on：有，off:无。

结果图：

python音频处理用到的操作的示例代码

多通道

这里通道数为3，主要借助np.reshape一下，其他同单通道处理完全一致，对应code:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
# -*- coding: utf-8 -*-
 
"""
 
Created on Wed May 3 12:15:34 2017
 
 
 
@author: Nobleding
 
"""
 
 
 
import wave
 
import matplotlib.pyplot as plt
 
import numpy as np
 
import os
 
 
 
filepath = "./data/" #添加路径
 
filename= os.listdir(filepath) #得到文件夹下的所有文件名称
 
f = wave.open(filepath+filename[0],'rb')
 
params = f.getparams()
 
nchannels, sampwidth, framerate, nframes = params[:4]
 
strData = f.readframes(nframes)#读取音频，字符串格式
 
waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int
 
waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化
 
waveData = np.reshape(waveData,[nframes,nchannels])
 
f.close()
 
# plot the wave
 
time = np.arange(0,nframes)*(1.0 / framerate)
 
plt.figure()
 
plt.subplot(5,1,1)
 
plt.plot(time,waveData[:,0])
 
plt.xlabel("Time(s)")
 
plt.ylabel("Amplitude")
 
plt.title("Ch-1 wavedata")
 
plt.grid('on')#标尺，on：有，off:无。
 
plt.subplot(5,1,3)
 
plt.plot(time,waveData[:,1])
 
plt.xlabel("Time(s)")
 
plt.ylabel("Amplitude")
 
plt.title("Ch-2 wavedata")
 
plt.grid('on')#标尺，on：有，off:无。
 
plt.subplot(5,1,5)
 
plt.plot(time,waveData[:,2])
 
plt.xlabel("Time(s)")
 
plt.ylabel("Amplitude")
 
plt.title("Ch-3 wavedata")
 
plt.grid('on')#标尺，on：有，off:无。
 
plt.show()

效果图：

python音频处理用到的操作的示例代码

单通道为多通道的特例，所以多通道的读取方式对任意通道wav文件都适用。需要注意的是，waveData在reshape之后，与之前的数据结构是不同的。即waveData[0]等价于reshape之前的waveData，但不影响绘图分析，只是在分析频谱时才有必要考虑这一点。

3、wav写入

涉及到的主要指令有三个：

参数设置：

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
nchannels = 1 #单通道为例
 
sampwidth = 2
 
fs = 8000
 
data_size = len(outData)
 
framerate = int(fs)
 
nframes = data_size
 
comptype = "NONE"
 
compname = "not compressed"
 
outwave.setparams((nchannels, sampwidth, framerate, nframes, comptype, compname))

待写入wav文件的存储路径及文件名：

?
1
2
3
outfile = filepath+'out1.wav'
 
outwave = wave.open(outfile, 'wb')#定义存储路径以及文件名

数据的写入：

?
1
2
for v in outData:
outwave.writeframes(struct.pack('h', int(v * 64000 / 2)))#outData:16位，-32767~32767，注意不要溢出

单通道数据写入：

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
import wave
 
#import matplotlib.pyplot as plt
 
import numpy as np
 
import os
 
import struct
 
 
 
#wav文件读取
 
filepath = "./data/" #添加路径
 
filename= os.listdir(filepath) #得到文件夹下的所有文件名称
 
f = wave.open(filepath+filename[1],'rb')
 
params = f.getparams()
 
nchannels, sampwidth, framerate, nframes = params[:4]
 
strData = f.readframes(nframes)#读取音频，字符串格式
 
waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int
 
waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化
 
f.close()
 
#wav文件写入
 
outData = waveData#待写入wav的数据，这里仍然取waveData数据
 
outfile = filepath+'out1.wav'
 
outwave = wave.open(outfile, 'wb')#定义存储路径以及文件名
 
nchannels = 1
 
sampwidth = 2
 
fs = 8000
 
data_size = len(outData)
 
framerate = int(fs)
 
nframes = data_size
 
comptype = "NONE"
 
compname = "not compressed"
 
outwave.setparams((nchannels, sampwidth, framerate, nframes,
 
  comptype, compname))
 
 
 
for v in outData:
 
    outwave.writeframes(struct.pack('h', int(v * 64000 / 2)))#outData:16位，-32767~32767，注意不要溢出
 
outwave.close()

多通道数据写入：

多通道的写入与多通道读取类似，多通道读取是将一维数据reshape为二维，多通道的写入是将二维的数据reshape为一维，其实就是一个逆向的过程：

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
import wave
 
#import matplotlib.pyplot as plt
 
import numpy as np
 
import os
 
import struct
 
 
 
#wav文件读取
 
filepath = "./data/" #添加路径
 
filename= os.listdir(filepath) #得到文件夹下的所有文件名称
 
f = wave.open(filepath+filename[0],'rb')
 
params = f.getparams()
 
nchannels, sampwidth, framerate, nframes = params[:4]
 
strData = f.readframes(nframes)#读取音频，字符串格式
 
waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int
 
waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化
 
waveData = np.reshape(waveData,[nframes,nchannels])
 
f.close()
 
#wav文件写入
 
outData = waveData#待写入wav的数据，这里仍然取waveData数据
 
outData = np.reshape(outData,[nframes*nchannels,1])
 
outfile = filepath+'out2.wav'
 
outwave = wave.open(outfile, 'wb')#定义存储路径以及文件名
 
nchannels = 3
 
sampwidth = 2
 
fs = 8000
 
data_size = len(outData)
 
framerate = int(fs)
 
nframes = data_size
 
comptype = "NONE"
 
compname = "not compressed"
 
outwave.setparams((nchannels, sampwidth, framerate, nframes,
 
  comptype, compname))
 
 
 
for v in outData:
 
    outwave.writeframes(struct.pack('h', int(v * 64000 / 2)))#outData:16位，-32767~32767，注意不要溢出
 
outwave.close()

这里用到struct.pack(.)二进制的转化：

python音频处理用到的操作的示例代码

例如：

python音频处理用到的操作的示例代码

python音频处理用到的操作的示例代码

4、音频播放

wav文件的播放需要用到pyaudio，安装包点击这里。我将它放在\Scripts文件夹下，cmd并切换到对应目录

?
1
pip install PyAudio-0.2.9-cp35-none-win_amd64.whl

pyaudio安装完成。

Pyaudio主要用法：

主要列出pyaudio对象的open()方法的参数：

  1. rate:采样率
  2. channels:声道数
  3. format:采样值的量化格式，值可以为paFloat32、paInt32、paInt24、paInt16、paInt8等。下面的例子中，使用get_from_width()将值为2的sampwidth转换为paInt16.
  4. input:输入流标志，Ture表示开始输入流
  5. output:输出流标志

给出对应code:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
import wave
 
import pyaudio
 
import os
 
 
 
#wav文件读取
 
filepath = "./data/" #添加路径
 
filename= os.listdir(filepath) #得到文件夹下的所有文件名称
 
f = wave.open(filepath+filename[0],'rb')
 
params = f.getparams()
 
nchannels, sampwidth, framerate, nframes = params[:4]
 
#instantiate PyAudio
 
p = pyaudio.PyAudio()
 
#define stream chunk 
 
chunk = 1024
 
#打开声音输出流
 
stream = p.open(format = p.get_format_from_width(sampwidth),
 
        channels = nchannels,
 
        rate = framerate,
 
        output = True)
 
 
 
#写声音输出流到声卡进行播放
 
data = f.readframes(chunk)
 
i=1
 
while True:
 
  data = f.readframes(chunk)
 
  if data == b'': break
 
  stream.write(data) 
 
f.close()
 
#stop stream
 
stream.stop_stream()
 
stream.close()
 
#close PyAudio
 
p.terminate()

因为是python3.5，判断语句if data == b'': break 的b不能缺少。

5、信号加窗

通常对信号截断、分帧需要加窗，因为截断都有频域能量泄露，而窗函数可以减少截断带来的影响。

窗函数在scipy.signal信号处理工具箱中，如hamming窗：

?
1
2
3
import scipy.signal as signal
 
pl.plot(signal.hanning(512))

利用上面的函数，绘制hanning窗：

?
1
2
3
4
5
6
7
import pylab as pl
 
import scipy.signal as signal
 
pl.figure(figsize=(6,2))
 
pl.plot(signal.hanning(512))

python音频处理用到的操作的示例代码

6、信号分帧

信号分帧的理论依据，其中x是语音信号，w是窗函数：

python音频处理用到的操作的示例代码

加窗截断类似采样，为了保证相邻帧不至于差别过大，通常帧与帧之间有帧移，其实就是插值平滑的作用。

给出示意图：

python音频处理用到的操作的示例代码

这里主要用到numpy工具包，涉及的指令有：

  1. np.repeat：主要是直接重复
  2. np.tile：主要是周期性重复

对比一下：

向量情况：python音频处理用到的操作的示例代码

矩阵情况：

对于数据：python音频处理用到的操作的示例代码

repeat操作：python音频处理用到的操作的示例代码

tile操作：python音频处理用到的操作的示例代码

对应结果：

python音频处理用到的操作的示例代码

python音频处理用到的操作的示例代码

对应分帧的代码实现：

这是没有加窗的示例：

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
import numpy as np
 
import wave
 
import os
 
#import math
 
 
 
def enframe(signal, nw, inc):
 
  '''将音频信号转化为帧。
 
  参数含义：
 
  signal:原始音频型号
 
  nw:每一帧的长度(这里指采样点的长度，即采样频率乘以时间间隔)
 
  inc:相邻帧的间隔（同上定义）
 
  '''
 
  signal_length=len(signal) #信号总长度
 
  if signal_length<=nw: #若信号长度小于一个帧的长度，则帧数定义为1
 
    nf=1
 
  else: #否则，计算帧的总长度
 
    nf=int(np.ceil((1.0*signal_length-nw+inc)/inc))
 
  pad_length=int((nf-1)*inc+nw) #所有帧加起来总的铺平后的长度
 
  zeros=np.zeros((pad_length-signal_length,)) #不够的长度使用0填补，类似于FFT中的扩充数组操作
 
  pad_signal=np.concatenate((signal,zeros)) #填补后的信号记为pad_signal
 
  indices=np.tile(np.arange(0,nw),(nf,1))+np.tile(np.arange(0,nf*inc,inc),(nw,1)).T #相当于对所有帧的时间点进行抽取，得到nf*nw长度的矩阵
 
  indices=np.array(indices,dtype=np.int32) #将indices转化为矩阵
 
  frames=pad_signal[indices] #得到帧信号
 
#  win=np.tile(winfunc(nw),(nf,1)) #window窗函数，这里默认取1
 
#  return frames*win  #返回帧信号矩阵
 
  return frames
 
def wavread(filename):
 
  f = wave.open(filename,'rb')
 
  params = f.getparams()
 
  nchannels, sampwidth, framerate, nframes = params[:4]
 
  strData = f.readframes(nframes)#读取音频，字符串格式
 
  waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int
 
  f.close()
 
  waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化
 
  waveData = np.reshape(waveData,[nframes,nchannels]).T
 
  return waveData
 
 
 
filepath = "./data/" #添加路径
 
dirname= os.listdir(filepath) #得到文件夹下的所有文件名称
 
filename = filepath+dirname[0]
 
data = wavread(filename)
 
nw = 512
 
inc = 128
 
Frame = enframe(data[0], nw, inc)

如果需要加窗，只需要将函数修改为：

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
def enframe(signal, nw, inc, winfunc):
 
  '''将音频信号转化为帧。
 
  参数含义：
 
  signal:原始音频型号
 
  nw:每一帧的长度(这里指采样点的长度，即采样频率乘以时间间隔)
 
  inc:相邻帧的间隔（同上定义）
 
  '''
 
  signal_length=len(signal) #信号总长度
 
  if signal_length<=nw: #若信号长度小于一个帧的长度，则帧数定义为1
 
    nf=1
 
  else: #否则，计算帧的总长度
 
    nf=int(np.ceil((1.0*signal_length-nw+inc)/inc))
 
  pad_length=int((nf-1)*inc+nw) #所有帧加起来总的铺平后的长度
 
  zeros=np.zeros((pad_length-signal_length,)) #不够的长度使用0填补，类似于FFT中的扩充数组操作
 
  pad_signal=np.concatenate((signal,zeros)) #填补后的信号记为pad_signal
 
  indices=np.tile(np.arange(0,nw),(nf,1))+np.tile(np.arange(0,nf*inc,inc),(nw,1)).T #相当于对所有帧的时间点进行抽取，得到nf*nw长度的矩阵
 
  indices=np.array(indices,dtype=np.int32) #将indices转化为矩阵
 
  frames=pad_signal[indices] #得到帧信号
 
  win=np.tile(winfunc,(nf,1)) #window窗函数，这里默认取1
 
  return frames*win  #返回帧信号矩阵

其中窗函数，以hamming窗为例：

?
1
2
3
winfunc = signal.hamming(nw)
 
Frame = enframe(data[0], nw, inc, winfunc)

调用即可。

7、语谱图

其实得到了分帧信号，频域变换取幅值，就可以得到语谱图，如果仅仅是观察，matplotlib.pyplot有specgram指令：

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
import wave
 
import matplotlib.pyplot as plt
 
import numpy as np
 
import os
 
 
 
filepath = "./data/" #添加路径
 
filename= os.listdir(filepath) #得到文件夹下的所有文件名称
 
f = wave.open(filepath+filename[0],'rb')
 
params = f.getparams()
 
nchannels, sampwidth, framerate, nframes = params[:4]
 
strData = f.readframes(nframes)#读取音频，字符串格式
 
waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为int
 
waveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化
 
waveData = np.reshape(waveData,[nframes,nchannels]).T
 
f.close()
 
# plot the wave
 
plt.specgram(waveData[0],Fs = framerate, scale_by_freq = True, sides = 'default')
 
plt.ylabel('Frequency(Hz)')
 
plt.xlabel('Time(s)')
 
plt.show()

python音频处理用到的操作的示例代码

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。

原文链接：http://www.cnblogs.com/xingshansi/p/6799994.html

标签：

相关文章