audioop是python标准库中用于处理原始音频数据的模块,封装了一些便捷的编码转换函数。
基础知识
PCM(pulse code modulation),即脉冲编码调制,是将模拟信号转为数字信号的一种编码系统。而模数转换主要分两步,首先对连续的模拟信号进行采样,然后把采样得到的数据转化为数值,即量化。
设
x
x
x为输入信号,
F
(
x
)
F(x)
F(x)为量化后的信号,则
F
(
x
)
F(x)
F(x)既可以是线性的,也可以是非线性的。在audioop
中,主要提供三种编码支持,分别是a-Law,μ-Law以及ADPCM。
其中,μ律(μ -Law)压扩主要用在北美和日本等地,其表达形式为
F μ = sgn ( x ) ln ( 1 + μ ∣ x ∣ ) ln ( 1 + μ ) F_\mu=\operatorname{sgn}(x)\frac{\ln(1+\mu|x|)}{\ln(1+\mu)} Fμ=sgn(x)ln(1+μ)ln(1+μ∣x∣)
其中 sgn ( x ) \operatorname{sgn}(x) sgn(x)是符号函数,其表达式为
sgn ( x ) = { − 1 x < 0 0 x = 0 1 x > 0 \operatorname{sgn}(x)=\left\{\begin{aligned} &-1&x<0\\ &0&x=0\\ &1&x>0\\ \end{aligned}\right. sgn(x)=⎩⎪⎨⎪⎧−101x<0x=0x>0
由于其输入输出为对数关系,故又称对数PCM,其中 μ \mu μ为压缩系数,在CCITT建议中取255。
在中国和欧洲主要实用的编码方式为A-Law,其表达式为
F A ( x ) = { A x 1 + ln A 0 ⩽ ∣ x ∣ ⩽ 1 A sgn ( x ) 1 + ln ( A ∣ x ∣ ) 1 + ln A 1 A ⩽ ∣ x ∣ ⩽ 1 F_A(x)= \left\{\begin{aligned} &\frac{Ax}{1+\ln A}&0\leqslant|x|\leqslant\frac{1}{A}\\ &\operatorname{sgn}(x)\frac{1+\ln(A|x|)}{1+\ln A}&\frac{1}{A}\leqslant|x|\leqslant1 \end{aligned}\right. FA(x)=⎩⎪⎪⎨⎪⎪⎧1+lnAAxsgn(x)1+lnA1+ln(A∣x∣)0⩽∣x∣⩽A1A1⩽∣x∣⩽1
其中 A A A为压缩系数,在G.726标准中建议87.56。
ADPCM(Adaptive Differential PCM),即自适应差分PCM。
由于模拟信号的连续性,一般来说相邻时间单位的信号往往具有较高的线性度,甚至彼此相差无几,从而可以被高效率的压缩。然而,也存在跳跃幅度较大的信号,如果完全以缓变为原则,那么必然会丢失这部分数据。为了均衡这种差异,就需要进行自适应量化。
audioop中支持的Intel/DVI ADPCM算法可以在网上找到,但是信息并不多而且都很老旧,貌似不太重要的样子,甚至知网都搜不到,所以这里就不详细解读了。
转换函数
audioop提供了ADPCM、A-Law和μ-Law和线性采样之间的转换函数
采样 | ADPCM | A-Law | μ-Law |
---|---|---|---|
lin2lin | lin2adpcm | lin2alaw | lin2ulaw |
adpcm2lin | alaw2lin | ulaw2lin |
其中,与A-Law和μ-Law有关的转换函数的输入参数为(fragment, width)
,分别代表待处理片段和位宽;adpcm
则会多一个state
元组作为第三个参数,表示编码器状态。
lin2lin
是将线性片段在1、2、3 和 4 字节格式之间转换的函数,其输入参数为(fragment, width, newwidth)
。
下面新建一些数据来测试一下编码转换函数,
#下面代码来自于test_audioop.py
import audioop
import sys
import unittest
pack = lambda width, data :b''.join(
v.to_bytes(width, sys.byteorder, signed=True) for v in data)
packs = {w: (lambda *data, width=w: pack(width, data)) for w in (1, 2, 3, 4)}
unpack = lambda width, data: [int.from_bytes(
data[i: i + width], sys.byteorder, signed=True)
for i in range(0, len(data), width)]
datas = {
1: b'\x00\x12\x45\xbb\x7f\x80\xff',
2: packs[2](0, 0x1234, 0x4567, -0x4567, 0x7fff, -0x8000, -1),
3: packs[3](0, 0x123456, 0x456789, -0x456789, 0x7fffff, -0x800000, -1),
4: packs[4](0, 0x12345678, 0x456789ab, -0x456789ab,
0x7fffffff, -0x80000000, -1),
}
则datas
的值为
>>> for key in datas : print(datas[key])
...
b'\x00\x12E\xbb\x7f\x80\xff'
b'\x00\x004\x12gE\x99\xba\xff\x7f\x00\x80\xff\xff'
b'\x00\x00\x00V4\x12\x89gEw\x98\xba\xff\xff\x7f\x00\x00\x80\xff\xff\xff'
b'\x00\x00\x00\x00xV4\x12\xab\x89gEUv\x98\xba\xff\xff\xff\x7f\x00\x00\x00\x80\xff\xff\xff\xff'
>
则其转换函数测试如下
>>> datas[1]
b'\x00\x12E\xbb\x7f\x80\xff' #将要处理的1位线性码
>>> unpack(1,datas[1])
[0, 18, 69, -69, 127, -128, -1] #转为整型
# 将1字节线性码转为2字节线性码
>>> datas1_2 = audioop.lin2lin(datas[1], 1, 2)
>>> print(datas1_2)
b'\x00\x00\x00\x12\x00E\x00\xbb\x00\x7f\x00\x80\x00\xff'
>>> unpack(2,datas1_2) #转为整型,其值为datas[1]*256
[0, 4608, 17664, -17664, 32512, -32768, -256]
# 将1字节线性码转为1字节u-Law码
>>> datas1_u = audioop.lin2ulaw(datas[1], 1)
>>> unpack(1,datas1_u) #转为整型,这个数和u-law的公式对不上,可能是其他算法
[-1, -83, -114, 14, -128, 0, 103]
片段特征函数
下表中函数的输入为(fragment, width)
,分别代表待统计片段和位宽。
返回值 | |
---|---|
avg | 片段采样值的均值 |
avgpp | 片段采样值的平均峰峰值 |
max | 片段采样值的最大绝对值 |
maxpp | 声音片段中的最大峰峰值 |
minmax | 由片段采样值中最小和最大值组成的元组 |
rms | 片段的均方根 |
cross | 片段穿越零点的次数 |
getsample(fragment, width, index)
,顾名思义用于采样,返回段中采样值索引index
的值。
findfactor(fragment, reference)
,返回一个系数F使得rms(add(fragment, mul(reference, -F)))
最小,即返回的系数乘以reference
后与fragment
最匹配。两个片段都应包含 2 字节宽的采样。
findfit(fragment, reference)
,尽可能尝试让 reference 匹配 fragment 的一部分。
findmax(fragment, length)
,在fragment
中搜索所有长度为length
的采样切片中,能量最大的那一个切片,即返回 i 使得 rms(fragment[i*2:(i+length)*2]) 最大。
片段操作
其返回值均为片段,下表的参数中,f
表示fragment
,w
表示width
,L
表示lfactor
,R
表示rfactor
返回值 | |
---|---|
byteswap(f, w) | 按字节交换片段中的采样值后返回 |
reverse(f, w) | 将片段中的采样值反转后返回 |
mul(f, w, factor) | fragment 中的采样值×浮点数factor ,溢出则截断 |
add(f1, f2, w) | 两个fragment 的采样值相加 |
tostereo(f, w, L, R) | 单声道转立体声,左声道乘以L,右声道是乘以R |
tomono(f, w, L, R) | 立体声转单声道,左通道乘以L,右通道乘以R,然后相加 |
bias(f, w, bias) | fragment 中的采样值+bias |
audioop.ratecv(f, w, nchannels, inrate, outrate, state[, weightA[, weightB]])
可用于转换输入片段的帧速率,其中
state
为元组,表示转换器状态weightA
和weightB
是简单数字滤波器的参数,默认为 1 和 0。