音频读取之wave和liborsa

wave

常见的语音信号处理python库有librosa, scipy, soundfile等等。wave库是python的标准库，对于python来说相对底层，wave不支持压缩/解压，但支持单声道/立体声语音的读取。

读取音频

import wave #导入库

file_path = 'D:/ba.wav' #文件路径
f = wave.open(file_path, "rb") #读取参数
params = f.getparams()

nchannels, sampwidth, framerate, nframes = params[:4]
str_data = f.readframes(nframes)
f.close()

audio_data = np.frombuffer(str_data, dtype=np.short)
audio_data1 = audio_data*1.0/(max(abs(audio_data)))#归一化到[-1,1]
time = np.arange(0, nframes) * (1.0 / framerate)

“WAV”格式文件由“fmt”和“data”，两个部分组成，其中“fmt”的存储块用来存音频文件的格式，“data”的存储块用来存实际的声音信息，物理上描述的振幅和时间：长度(时间)和振幅。

我们看看读取到的参数params：

里面包含6个子参数：

getparams()得到的params，返回6个参数分别是：(nchannels,sampwidth,framerate,nframe,comptype,compname)

• nchannels：返回音频通道的数量（单声道为1，立体声为2）。
• sampwidth：返回以字节为单位的样本宽度。（２字节byte=16bit）
• framerate：返回采样频率。
• nframe：返回音频帧数。（这里应该是点数，看后面解释）
• comptype：返回压缩类型（“ NONE”是唯一受支持的类型）。
• compname：压缩名称。

通过上面信息，我们知道该段音频的采样点数为84896，每点用2byte保存，那么需要84896*2=169792Byte。

换算单位：
1B(Byte 字节)=8bit，
1KB (Kilobyte 千字节)=1024B，
1MB (Megabyte 兆字节 简称“兆”)=1024KB，

即该音频大小为：169792/1024=165.81KB/1024=0.16MB

注：
疑问：它的帧数是如何计算的？
这条语音长度是多少采样点？我们用librosa库读取音频，发现size和上面是一样的，所以nframe应该是语音采样点数。

data, sr = librosa.load(file_path, sr =None) #必须加sr =None，不然默认采样成22050

首先，可以看到audio_data的值是显示不出来的，进行如下操作：

y=np.asarray(audio_data,'int64')# 类型转换成int64

此时value处就有显示值了，画出来：

可以看到wavefile读出的数据是一个整型，没有做32767的归一化。

进行归一化：

audio_data1 = audio_data*1.0/(max(abs(audio_data)))#归一化到[-1,1]

归一化后，和librosad读取出的数据的范围还是不一样。liborsa读取出来的数据，是做了32767的归一化。wavefile的归一化是除以最大值。

音频重采样

重采样到16000Hz

data = librosa.resample(data.astype(np.float32), fs, 16000) #注意一定要对数据做astype(np.float32)，否则会出现下采样无效。

做完重采样后会出现最大值远大于32767的情况，因此需要注意，需要对其进行动态标准化，避免早保存时候出现溢出（np.int16的最大值是32767，多了会削波）。可以添加判断，np.max(abs(x_filted)) / np.max(abs(up_sample_data))

音频保存