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: 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:
2、读取.wav文件 wave.open 用法: 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 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: 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: 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))
|
1 2 | outfile = filepath + 'out1.wav'
outwave = wave. open (outfile, 'wb' ) #定义存储路径以及文件名
|
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。 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: 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()
|
|