wav文件读写

weixin_43870390

已于 2023-01-04 11:18:37 修改

阅读量733

点赞数

文章标签： python 开发语言音频语音识别

于 2023-01-04 11:16:17 首次发布

本文链接：https://blog.csdn.net/weixin_43870390/article/details/128543517

版权

本次记录wav文件读写的部分实现方式；

torchaudio

读取音频

import torchaudio
wav_file = "music/jamendo/music-jamendo-0080.wav"
waveform, sample_rate = torchaudio.load(wav_file)

type(waveform): <class ‘torch.Tensor’>
waveform.shape: torch.Size([1, 3354112])
waveform.size(): torch.Size([1, 3354112])
waveform.dtype: torch.float32
sample_rate: 16000
tensor([[ 3.0518e-05, 3.0518e-05, 3.0518e-05, …, -3.0518e-05,
0.0000e+00, 0.0000e+00]])

备注：music/jamendo/music-jamendo-0080.wav音频文件为单声道、16位、16000HZ采样；

总结

可以读取各种格式的数据，返回音频数据和采样率，维度为2，第一维度是通道，第二维度是数据，所以可以读取多通道数据；
读取之后的数据为float32类型，在-1到1之间，为采样值/32768得到的；

写音频
略。

librosa

librosa安装： conda install -c conda-forge librosa

读取音频

import librosa
wav_file="music/jamendo/music-jamendo-0080.wav"
sample_rate=16000
data = librosa.core.load(wav_file, sr=sample_rate)

import librosa
wav_file="立体声_缩混.wav"
sample_rate=16000
data = librosa.core.load(wav_file, sr=sample_rate, mono=False)[0]
data[0]
data[1]

type(data): <class ‘tuple’>
data[0]: (array([ 3.0517578e-05, 3.0517578e-05, 3.0517578e-05, …, -3.0517578e-05, 0.0000000e+00, 0.0000000e+00],
dtype=float32), 16000)
type(data[0]) : <class ‘numpy.ndarray’>
data[0].dtype: dtype(‘float32’)

总结

有一点很方便的是，不管原始采样率多少，都可以按照指定的采样率读取，也就是内部会进行采样率转换；
读取之后的数据是float32类型的，数值在-1到1之间，同torchaudio；默认采样率为22050；默认为单通道数据(多通道会被采样为单通道),设置mono=False可以读取多通道数据；
写音频
略。

soundfile

读取音频

import soundfile as sf
import numpy as np
wav_path='music/jamendo/music-jamendo-0080.wav'
data, sr = sf.read(wav_path)
data = data.astype(np.float32)
data
data.dtype
sr

import soundfile as sf
import numpy as np
wav_path='立体声_缩混.wav'
data, sr = sf.read(wav_path)
data = data.transpose()
data = data.astype(np.float32)
data[0]
data[1]
data.dtype
sr

type(data) : <class ‘numpy.ndarray’>
fr: 16000

写音频

import soundfile as sf
write_wav_path=‘’
sf.write(write_wav_path, data, sample_rate, ‘PCM_16’)

总结

和librosa差不多, 自己很少用；
读取单通道音频得到的date维度为1；读取多通道音频得到的data为度为2，多通道数据需要进行transpose，再使用；如果数据多样，处理时要判断时单通道还是多通道时，不如其它的接口方便；
读取的数据为-1到1之间经过/32768之后的数据，但是默认是float64，通常使用时转为float32

wave

读取数据

import wave
import numpy as np
wav_file = "立体声_缩混.wav"

with wave.open(wav_file, 'rb') as fr:
    params = fr.getparams()
    nchannel, sampwidth, samplerate, nframs = params[:4]
    strdata = fr.readframes(nframs)  
    # 读取的是二进制数据
    data = np.frombuffer(strdata, dtype=np.int16)
    # 将读取的二进制数据转为int16数据
    data = data/32768
    data = data.astype(np.float32)
    new_data = data.reshape(-1, nchannel).transpose()
    left_data = new_data[0]
    right_data = new_data[1]

type(strdata) : <class ‘bytes’>
type(data): <class ‘numpy.ndarray’>
data.size : 6708224
left_data.size: 3354112

写音频

write_wav_file="wave_out_left.wav"
nchannel = 1
sampwidth = 2
framerate=16000
nframes=len(left_data)
comptype="NONE"
compname="no compressed"
write_params = (nchannel, sampwidth, framerate, nframes, comptype, compname)
with wave.open(write_wav_file,'wb') as fw:
    fw.setparams(write_params)
    left_data = (left_data*32768).astype(np.int16)
    fw.writeframes(left_data.tobytes())

write_wav_file="wave_out_right.wav"
with wave.open(write_wav_file,'wb') as fw:
    fw.setparams(write_params)
    right_data = (right_data*32768).astype(np.int16)
    fw.writeframes(right_data.tobytes())

总结

wave读取的是原始数据，原始二进制数据，然后转成int16的数据；
里面的数据并不是缩小到-1到1之间的float32数据，可以除以32768变成float32，这样就和其它读取方式读取到的float32数据一样；
wave读取多通道数据之后，是一维的，需要首先reshape，reshape时第二个维度时通道数，然后再transpose；
wave写的时候也是需要转换成int16，然后将二进制写入；
wave可以读取各种各种类型的wav文件，然后根据自己的需求判断/处理，个人使用较多；
绘制wav：https://blog.csdn.net/qq_44109982/article/details/111560494

wavfile

读取音频

from scipy.io import wavfile
wav_path="music/jamendo/music-jamendo-0080.wav"
sr, data = wavfile.read(wav_path) # 这里的顺序和其它的不同
# data.dtype: int16
data = data/32768

type(data): <class ‘numpy.ndarray’>
data.dtype: dtype(‘float64’)
data.shape: (3354112,)

from scipy.io import wavfile
wav_path="立体声_缩混.wav"
sr, data = wavfile.read(wav_path)
data = data/32768

type(data): <class ‘numpy.ndarray’>
data.dtype: dtype(‘float64’)
data.shape : (3354112, 2)

总结

立体的读出来就是立体的；
读取的也是原始的int16数据
返回的顺序和其它的不同，这里先返回sr，再是data
除以32768之后，默认是float64，一般再使用前再转成float32

写音频

  from scipy.io import wavfile
  write_wav_path=''
  data *= 32768
  wavefile.write(write_wav_path, sample_rate, data.astype(np.int16))

总结

乘以32768之后，转化为int16写入；
不需要转为二进制 (wave)写入；