基于C语言实现PCM音频流或音频文件重采样(48K到16K)
由于云厂商SDK需要的音频采样率是16K的,而SFU回调上来的流是48K的,所以我们还需要对PCM音频数据进行重采样处理。
转换的原理比较简单,从48KHz降到16KHz,降了3倍,也就是说在同一时间的单位区间内,48KHz采样了3个点,而16KHz只采样了1个点,即从48KHz的 PCM流中每读取3个数据,就要根据这3个数据去推算得到1个数据,而这个数据对应的就是16KHz PCM流中的一个数据。
我们有很多种方法可以由3个数据得到1个数据,如取平均值,取采样点等方法:
(1). 取平均值:
取3个点,相加后求平均值。这样的效果并不好,转换后声音会有杂音。这是因为转换成16kHz的采样率时,根据奈奎斯特采样定律,当采样频率fs.max大于信号中最高频率fmax的2倍时(fs.max>2fmax),,那么根据这些抽样值就能完全恢复原信号,所以转换成16kHz的采样率时,不能有8K以上的频率。而对3个点求平均值,是会有概率存在着8khz以上的频段,故效果并不好。
(2). 取特征点:
取3个采样点中固定位置的某个点,如固定取3个点中的第一个点,然后合并成新的数据流。这样的效果,实测比较清晰,虽然有概率会丢失部分声音细节,但是整体还是能够满足语音识别。
综上所述,我们采取第一个特征点的方法。
具体实现如下
C语言实现
处理pcm流:
/** PCM frame. */
typedef struct {
uint8_t *buf;
int len;
int sample_rate;
int sample_depth;
} pcm_frame_t;
void pcm_resample_16k(const pcm_frame_t *frame_in, pcm_frame_t *frame_out)
{
int i;
int magnification = frame_in->sample_rate / 16000;
frame_out->buf = frame_in->buf;
frame_out->len = frame_in->len / magnification;
frame_out->sample_rate = 16000;
frame_out->sample_depth = frame_in->sample_depth;
for (i = 0; i < frame_out->len; i++) {
frame_out->buf[i] = frame_in->buf[i*magnification]; /* 取第一个特征值 */
}
/* 如果按照16bit来 */
// for (i = 0; i < len / 3; i++) {
// if (0 == (i % 2)) {
// buf[i] = buf[i*3+2];
// } else {
// buf[i] = buf[i*3];
// }
// }
}
处理pcm文件:
void pcm_resample(void)
{
short read_buf = 0;
int size = 0;
int cnt = 0;
FILE *fp = fopen("in.pcm", "rb+");
FILE *fp_out = fopen("out.pcm", "wb+");
while (!feof(fp)) {
size = fread(&read_buf, 2, 1, fp); // 16bit,所以需要一次读两个字节
if (size > 0) {
cnt++;
if (cnt == 3) { //每采集到3个点
cnt = 0; // 重置计数
fwrite(&read_buf, 2, 1, fp_out); //写入数据
}
}
}
fclose(fp);
fclose(fp_out);
}