作者:桂。
链接:http://www.cnblogs.com/xingshansi/p/6799994.html
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:
1
2
3
4
5
6
|
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
for
file
in
filename:
print
(filepath
+
file
)
|
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
|
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:
>>> 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
|
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:
nchannels:声道数
sampwidth:量化位数(byte)
framerate:采样频率
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
|
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:
- 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
|
# -*- 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:
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
|
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
|
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
|
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
|
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:
例如:
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:
-
- rate:采样率
- channels:声道数
- 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.
- input:输入流标志,Ture表示开始输入流
- 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
|
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
|
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
|
import
pylab as pl
import
scipy.signal as signal
pl.figure(figsize
=
(
6
,
2
))
pl.plot(signal.hanning(
512
))
|
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:
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:
这里主要用到numpy工具包,涉及的指令有:
- np.repeat:主要是直接重复
- np.tile:主要是周期性重复
对比一下:
向量情况:
矩阵情况:
对于数据:
repeat操作:
tile操作:
对应结果:
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
|
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
|
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
|
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
|
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()
|