工具以及使用到的庫

• ffmpeg
• sox
• audacity
• pydub
• scipy
• librosa
• pyAudioAnalysis
• plotly

---

本文分為兩個部分：

P1：如何使用ffmpeg和sox處理音頻文件
P2：如何編程處理音頻文件并執行基本處理

---

P1 處理語音數據——命令行方式

---

格式轉換

ffmpeg -i video.mkv audio.mp3

使用ffmpeg將輸入mkv文件轉為mp3文件

---

降采樣、通道轉換

ffmpeg -i audio.wav -ar 16000 -ac 1 audio_16K_mono.wav

• ar:聲頻采樣率（audio rate）
• ac：聲頻通道（audio channel）
  此處是將原來44.1kHz的雙通道wav文件轉為單通道wav文件

---

獲取音頻信息

ffmpeg -i audio_16K_mono.wav

將得到

Input #0, wav, from ‘audio_16K_mono.wav’:
Metadata:
encoder : Lavf57.71.100
Duration: 00:03:10.29, bitrate: 256 kb/s
Stream #0:0: Audio: pcm_s16le ([1][0][0][0] / 0x0001), 16000 Hz,
mono, s16, 256 kb/s

• #0表示只有一個通道
• encoder：為libavformat支持的一種容器
• Duration：時長
• bitrate：比特率256kb/s，表示音頻每秒傳輸的數據量，高質量音頻一般比較大
• Stram：流
• #0：0：單通道
• pcm_s16le:
  • pcm(脈沖編碼調制，pulse-code modulation)
  • signed integer 16：（16位有符號整型）格式采樣
  • le表示小端（little endian），高位數據存地址高位，地位數據存地址地位，有如[1][0][0][0] / 0x0001。
• mono：單通道

---

小插曲

最近看到一道數據類型題
題目：為什么float類型$(1e10+3.14)?1e10=0?$
解題如下：
$1e10$二進制表示為：
$0010^{\prime }0101^{\prime }0100^{\prime }0000^{\prime }1011^{\prime }1110^{\prime }0100^{\prime }0000^{\prime }0000$
或者表示為
$1.0010^{\prime }1010^{\prime }0000^{\prime }0101^{\prime }1111^{\prime }0010^{\prime }0000^{\prime }0000^{\prime }{0}_2?2^{33}$

浮點數三要素：

• 首位：0表示正數，1表示負數
• 中間位，8位，為科學計數法指數部分，上例為33與偏置量（127）的和，此例為160，二進制為1010’0000
• 尾部：23位，二進制表示的小數部分的前23位，此例為0010’1010’0000’0101’1111’001
  故$1e10$的浮點數為：
  $0^{\prime }1010^{\prime }0000^{\prime }0010^{\prime }1010^{\prime }0000^{\prime }0101^{\prime }1111^{\prime }001$
  到此為止，可知舍去了科學計數法中小數部分的后10位

小數的二進制表示兩個要素：

• 整數部分：正常表示，3.14整數部分為0011
• 小數部分：乘以2取整數部分，
  • 0.14*2=0.28 取0
  • 0.28*2=0.56 取0
  • 0.56*2=1.12 取1
  • 0.12*2=0.24 取0
  • 0.24*2=0.48 取0
  • 0.48*2=0.96 取0
  • 0.96*2=1.92 取1
  • …

3.14的二進制表示為：
$\mathrm{11.0010001...}$
綜上，$1e10+3.14$的二進制表示為：
$1.0010^{\prime }1010^{\prime }0000^{\prime }0101^{\prime }1111^{\prime }0010^{\prime }0000^{\prime }0001^{\prime }1001’0001_2?2^{33}$
轉為浮點數，為
$0^{\prime }1010^{\prime }0000^{\prime }0010^{\prime }1010^{\prime }0000^{\prime }0101^{\prime }1111^{\prime }001$
與$1e10$一樣，故float類型$(1e10+3.14)?3.14=0$

---

修剪音頻

ffmpeg -i audio.wav -ss 60 -t 20 audio_small.wav

• i：輸入音頻audio.wav
• ss: 截取起始秒
• t：截取段時長
• audio_small.wav:輸出文件

---

串聯視頻

新建一個list_of_files_to_concat的txt文檔，內容如下：

file 'file1.wav'
file 'file2.wav'
file 'file3.wav'

---

采用以下命令行，可將三個文件串聯輸出，編碼方式為復制

ffmpeg -f concat -i list_of_files_to_concat -c copy output.wav

---

分割視頻

以下命令行將輸入視頻分割為1s一個

ffmpeg -i output.wav -f segment -segment_time 1 -c copy out%05d.wav

---

交換聲道

ffmpeg -i stereo.wav -map_channel 0.0.1 -map_channel 0.0.0 stereo_inverted.wav

• 0.0.1輸入文件音頻流右聲道
• 0.0.0輸入文件音頻流左聲道

---

合并聲道

ffmpeg -i left.wav -i right.wav -filter_complex "[0:a][1:a]join=inputs=2:channel_layout=stereo[a]" -map "[a]" mix_channels.wav

• filter_complex：復雜音頻濾波器圖
• [0:a],[1:a]：第一個和第二個文件的音頻流
• join=inputs=2：表示兩個輸入流混合
• channel_layout=stereo：混合后輸出為立體聲
• [a]：輸出音頻流標簽
• map ”[a]"：將‘[a]'標簽的音頻流映射到輸出文件

---

分割立體聲音頻為左右單聲道文件

ffmpeg -i stereo.wav -map_channel 0.0.0 left.wav -map_channel 0.0.1 right.wav

• map_channel 0.0.0:將左聲道映射到第一個輸出文件
• map_channel 0.0.1:將右聲道映射到第二個輸出文件

---

將某個聲道靜音

ffmpeg -i stereo.wav -map_channel -1 -map_channel 0.0.1 muted.wav

• map_channel -1:忽略某聲道
• map_channel 0.0.1:將右聲道映射到輸出文件

---

音量調節

ffmpeg -i data/music_44100.wav -filter:a “volume=0.5” data/music_44100_volume_50.wav
ffmpeg -i data/music_44100.wav -filter:a “volume=2.0” data/music_44100_volume_200.wav

• filter:a：使用音頻過濾器
• “volume=0.5”：將音頻音量變為原來一半
• “volume=2”：將音頻音量變為原來兩倍
  

圖1 原聲，半聲，倍聲(自上而下) 由圖1可知，二倍聲出現削波（失真）現象。

sox音量調節

sox -v 0.5 data/music_44100.wav data/music_44100_volume_50_sox.wav
sox -v 2.0 data/music_44100.wav data/music_44100_volume_200_sox.wav

$\text{sox?-v?n}$ 輸入文件路徑 輸出文件路徑

• v n:音量調節系數，n可理解為倍數。

---

P2 處理語音數據——編程方式

---

• wav: scipy.io.wavfile
• mp3:pydub

---

以數組形式加載音頻文件

# 以數組形式讀取wav和mp3
from pydub import AudioSegment
import numpy as np
from scipy.io import wavfile# 用 scipy.io.wavfile 讀取wav文件
fs_wav, data_wav = wavfile.read("resampled.wav")# 用 pydub 讀取mp3
audiofile = AudioSegment.from_file("resampled.mp3")
data_mp3 = np.array(audiofile.get_array_of_samples())
fs_mp3 = audiofile.frame_rateprint('Sq Error Between mp3 and wav data = {}'.format(((data_mp3 - data_wav)**2).sum()/len(data_wav)))
print('Signal Duration = {} seconds'.format(data_wav.shape[0] / fs_wav))

# 輸出,我使用ffmpeg將wav轉成MP3，比特率將為24kb
Sq Error Between mp3 and wav data = 3775.2859044790266
Signal Duration = 34.5513125 seconds

顯示左右聲道

import numpy as np
from scipy.io import wavfile
import matplotlib.pyplot as plt
fs,data=wavfile.read('resampled_double.wav')
time=np.arange(0,len(data))/fs
fig,axs=plt.subplots(2,1,figsize=(10,6),sharex=True)
axs[0].plot(time,data[:,0],label='Left Channel',color='blue')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[1].plot(time,data[:,1],label='Right Channel',color='orange')
axs[1].set_ylabel('Amplitute')
axs[1].set_xlabel('Time(seconds)')
axs[1].legend()
plt.suptitle("Stereo Audio Waveform")
plt.show()

圖2 左右聲道展示

正則化

import matplotlib.pyplot as plt
from scipy.io import wavfile
import numpy as np
fs,data = wavfile.read("resampled_double.wav")
time=np.arange(0,len(data))/fs
plt.figure(figsize=(10,4))
plt.plot(time,data[:,0]/2^15)
plt.xlabel('Time(seconds)')
plt.ylabel('Amplitude')
plt.title('Stereo Audio Waveform')

圖3 數據量化后的波形圖

修剪音頻

# 顯示2到4秒的波形
import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile
fs,data=wavfile.read('resampled_double.wav')
time=np.arange(0,len(data[2*fs:4*fs]))/fs
plt.figure(figsize=(10,4))
plt.plot(time,data[2*fs:4*fs])
plt.xlabel('Time/s')
plt.ylabel('Amplitude')
plt.title('Stereo Audio Waveform')
plt.show()

圖4 剪輯后音頻波形

---

分割為固定大小

import numpy as np
from scipy.io import wavfile
import IPython
fs,signal=wavfile.read("resampled.wav")
segment_size_t=1
segment_size=segment_size_t*fs
segments=[signal[x:x+segment_size]for x in range(0,len(signal),segment_size)]
for i,s in enumerate(segments):if len(s)<segment_size:s=np.pad(s,(0,(segment_size-len(s))),'constant')		# 這里是為了每個clip都為1swavfile.write(f"resampled_segment_{i}_{i+1}.wav",fs,s)
IPython.display.display(IPython.display.Audio("resampled_segment_34_35.wav"))

# 輸出，成功輸出35個1s的wav文件

---

簡單算法——刪去無聲片段

import IPython
import matplotlib.pyplot as plt
import numpy as np
energies=[((s/2**15)**2).sum()/len(s) for s in segments]	# 防止溢出
thres=np.percentile(energies,20)
indices_of_segments_to_keep=(np.where(energies>thres)[0])
segments2=np.array(segments)[indices_of_segments_to_keep]
new_signal=np.concatenate(segments2)
wavfile.write("processed_new.wav",fs,new_signal.astype(np.int16))	# 轉成int
plt.figure(figsize=(10,6))
plt.plot(energies,label="Energies",color="red")
plt.plot(np.ones(len(energies))*thres,label="Thresholds",color="blue")
plt.title("Energies VS Thresholds")
plt.legend()
plt.show()
IPython.display.display(IPython.display.Audio("processed_new.wav"))
IPython.display.display(IPython.display.Audio("resampled.wav"))

圖5 根據能量無聲片段的刪除及刪除后的時長

---

往單聲道音頻中加入節拍

import numpy as np
import scipy.io.wavfile as wavfile
import librosa
import IPython
import matplotlib.pyplot as plt# 加載文件并提取節奏和節拍：
[Fs, s] = wavfile.read('resampled.wav')
tempo, beats = librosa.beat.beat_track(y=s.astype('float'), sr=Fs, units="time")
beats -= 0.05# 在每個節拍的第二個聲道上添加小的220Hz聲音
s = s.reshape(-1, 1)
s = np.array(np.concatenate((s, np.zeros(s.shape)), axis=1))
for ib, b in enumerate(beats):t = np.arange(0, 0.2, 1.0 / Fs)amp_mod = 0.2 / (np.sqrt(t)+0.2) - 0.2amp_mod[amp_mod < 0] = 0x = s.max() * np.cos(2 * np.pi * t * 220) * amp_mods[int(Fs * b): int(Fs * b) + int(x.shape[0]), 1] = x.astype('int16')# 寫入一個wav文件，其中第二個聲道具有估計的節奏：
wavfile.write("tempo.wav", Fs, np.int16(s))# 在筆記本中播放生成的文件：
IPython.display.display(IPython.display.Audio("tempo.wav"))# 繪制波形圖
time = np.arange(0, len(s)) / Fs
fig, axs = plt.subplots(2, 1, figsize=(10, 6), sharex=True)
axs[0].plot(time, s[:, 0], label='左聲道', color='orange')
axs[0].set_ylabel('振幅')
axs[0].legend()
axs[1].plot(time, s[:, 1], label='右聲道', color='blue')
axs[1].set_xlabel("時間/秒")
axs[1].set_ylabel("振幅")
axs[1].legend()
plt.show()

圖6 添加tempo的左右聲道及音頻

---

實時錄制以及頻率分析

# paura_lite:
# 一個超簡單的命令行音頻錄制器，具有實時頻譜可視化import numpy as np
import pyaudio
import struct
import scipy.fftpack as scp
import termplotlib as tpl
import os# 獲取窗口尺寸
rows, columns = os.popen('stty size', 'r').read().split()buff_size = 0.2          # 窗口大小（秒）
wanted_num_of_bins = 40  # 要顯示的頻率分量數量# 初始化聲卡進行錄制：
fs = 8000
pa = pyaudio.PyAudio()
stream = pa.open(format=pyaudio.paInt16, channels=1, rate=fs,input=True, frames_per_buffer=int(fs * buff_size))while 1:  # 對于每個錄制的窗口（直到按下Ctrl+C）# 獲取當前塊并將其轉換為short整數列表，block = stream.read(int(fs * buff_size))format = "%dh" % (len(block) / 2)shorts = struct.unpack(format, block)# 然后進行歸一化并轉換為numpy數組：x = np.double(list(shorts)) / (2**15)seg_len = len(x)# 獲取當前窗口的總能量并計算歸一化因子# 用于可視化最大頻譜圖值energy = np.mean(x ** 2)max_energy = 0.02  # 條形設置為最大的能量max_width_from_energy = int((energy / max_energy) * int(columns)) + 1if max_width_from_energy > int(columns) - 10:max_width_from_energy = int(columns) - 10# 獲取FFT的幅度和相應的頻率X = np.abs(scp.fft(x))[0:int(seg_len/2)]freqs = (np.arange(0, 1 + 1.0/len(X), 1.0 / len(X)) * fs / 2)# ... 并重新采樣為固定數量的頻率分量（用于可視化）wanted_step = (int(freqs.shape[0] / wanted_num_of_bins))freqs2 = freqs[0::wanted_step].astype('int')X2 = np.mean(X.reshape(-1, wanted_step), axis=1)# 將（頻率，FFT）作為水平直方圖繪制：fig = tpl.figure()fig.barh(X2, labels=[str(int(f)) + " Hz" for f in freqs2[0:-1]],show_vals=False, max_width=max_width_from_energy)fig.show()# 添加足夠多的新行以清除屏幕在下一次迭代中：print("\n" * (int(rows) - freqs2.shape[0] - 1))

圖7 實時錄制并獲取頻譜直方圖

---