python音頻處理用到的操作

python音頻處理用到的操作

作者：桂。

時間：2017-05-03  12:18:46

鏈接：http://www.cnblogs.com/xingshansi/p/6799994.html 

---

前言

本文主要記錄python下音頻常用的操作，以.wav格式文件爲例。其實網上有很多現成的音頻工具包，如果僅僅調用，工具包是更方便的。

更多pyton下的操作可以參考： 用python做科學計算

1、批量讀取.wav文件名：

1 2 3 4 5 6

import os   filepath = "./data/" #添加路徑 filename= os.listdir(filepath) #得到文件夾下的所有文件名稱  for file in filename:     print(filepath+file)

　　這裏用到字符串路徑：

1.通常意義字符串(str)
2.原始字符串，以大寫R 或 小寫r開始，r''，不對特殊字符進行轉義
3.Unicode字符串，u'' basestring子類

如：

1 2 3

path = './file/n' path = r'.\file\n' path = '.\\file\\n'

　　三者等價，右劃線\爲轉義字符，引號前加r表示原始字符串，而不轉義（r:raw string）.

常用獲取幫助的方式：

>>> help(str)
>>> dir(str)
>>> help(str.replace)

2、讀取.wav文件

wave.open 用法：

1	wave.open(file,mode)

　　mode可以是：

‘rb’，讀取文件；

‘wb’，寫入文件;

不支持同時讀/寫操作。

Wave_read.getparams用法：

1 2 3

f = wave.open(file,'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4]

　　其中最後一行爲常用的音頻參數：

nchannels:聲道數

sampwidth:量化位數（byte）

framerate:採樣頻率

nframes:採樣點數 

• 單通道

 對應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/" #添加路徑 filename= os.listdir(filepath) #得到文件夾下的所有文件名稱  f = wave.open(filepath+filename[1],'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] strData = f.readframes(nframes)#讀取音頻，字符串格式 waveData = np.fromstring(strData,dtype=np.int16)#將字符串轉化爲int waveData = waveData*1.0/(max(abs(waveData)))#wave幅值歸一化 # 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')#標尺，on：有，off:無。

　　結果圖：

• 多通道

 這裏通道數爲3，主要藉助np.reshape一下，其他同單通道處理完全一致，對應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/" #添加路徑 filename= os.listdir(filepath) #得到文件夾下的所有文件名稱  f = wave.open(filepath+filename[0],'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] strData = f.readframes(nframes)#讀取音頻，字符串格式 waveData = np.fromstring(strData,dtype=np.int16)#將字符串轉化爲int waveData = waveData*1.0/(max(abs(waveData)))#wave幅值歸一化 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')#標尺，on：有，off:無。 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')#標尺，on：有，off:無。 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')#標尺，on：有，off:無。 plt.show()

　　效果圖：

單通道爲多通道的特例，所以多通道的讀取方式對任意通道wav文件都適用。需要注意的是，waveData在reshape之後，與之前的數據結構是不同的。即waveData[0]等價於reshape之前的waveData，但不影響繪圖分析，只是在分析頻譜時纔有必要考慮這一點。

3、wav寫入

涉及到的主要指令有三個：

• 參數設置：

1 2 3 4 5 6 7 8 9

nchannels = 1 #單通道爲例 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))

• 待寫入wav文件的存儲路徑及文件名：

1 2	outfile = filepath+'out1.wav' outwave = wave.open(outfile, 'wb')#定義存儲路徑以及文件名

•  數據的寫入：

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

單通道數據寫入：

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文件讀取 filepath = "./data/" #添加路徑 filename= os.listdir(filepath) #得到文件夾下的所有文件名稱  f = wave.open(filepath+filename[1],'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] strData = f.readframes(nframes)#讀取音頻，字符串格式 waveData = np.fromstring(strData,dtype=np.int16)#將字符串轉化爲int waveData = waveData*1.0/(max(abs(waveData)))#wave幅值歸一化 f.close() #wav文件寫入 outData = waveData#待寫入wav的數據，這裏仍然取waveData數據 outfile = filepath+'out1.wav' outwave = wave.open(outfile, 'wb')#定義存儲路徑以及文件名 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()

多通道數據寫入：

多通道的寫入與多通道讀取類似，多通道讀取是將一維數據reshape爲二維，多通道的寫入是將二維的數據reshape爲一維，其實就是一個逆向的過程：

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文件讀取 filepath = "./data/" #添加路徑 filename= os.listdir(filepath) #得到文件夾下的所有文件名稱  f = wave.open(filepath+filename[0],'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] strData = f.readframes(nframes)#讀取音頻，字符串格式 waveData = np.fromstring(strData,dtype=np.int16)#將字符串轉化爲int waveData = waveData*1.0/(max(abs(waveData)))#wave幅值歸一化 waveData = np.reshape(waveData,[nframes,nchannels]) f.close() #wav文件寫入 outData = waveData#待寫入wav的數據，這裏仍然取waveData數據 outData = np.reshape(outData,[nframes*nchannels,1]) outfile = filepath+'out2.wav' outwave = wave.open(outfile, 'wb')#定義存儲路徑以及文件名 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()

　　這裏用到struct.pack(.)二進制的轉化：

例如：

4、音頻播放

 wav文件的播放需要用到pyaudio，安裝包點擊這裏。我將它放在\Scripts文件夾下，cmd並切換到對應目錄

1	pip install PyAudio-0.2.9-cp35-none-win_amd64.whl

　　pyaudio安裝完成。

• Pyaudio主要用法：

主要列出pyaudio對象的open()方法的參數：

• • rate:採樣率
  • channels:聲道數
  • format:採樣值的量化格式，值可以爲paFloat32、paInt32、paInt24、paInt16、paInt8等。下面的例子中，使用get_from_width()將值爲2的sampwidth轉換爲paInt16.
  • input:輸入流標誌，Ture表示開始輸入流
  • output:輸出流標誌

給出對應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文件讀取 filepath = "./data/" #添加路徑 filename= os.listdir(filepath) #得到文件夾下的所有文件名稱  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  #打開聲音輸出流 stream = p.open(format = p.get_format_from_width(sampwidth),                 channels = nchannels,                 rate = framerate,                  output = True)    #寫聲音輸出流到聲卡進行播放 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()

　　因爲是python3.5，判斷語句if data == b'': break 的b不能缺少。

5、信號加窗

通常對信號截斷、分幀需要加窗，因爲截斷都有頻域能量泄露，而窗函數可以減少截斷帶來的影響。

窗函數在scipy.signal信號處理工具箱中，如hamming窗：

1 2	import scipy.signal as signal pl.plot(signal.hanning(512))

利用上面的函數，繪製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、信號分幀

 信號分幀的理論依據，其中x是語音信號，w是窗函數：

加窗截斷類似採樣，爲了保證相鄰幀不至於差別過大，通常幀與幀之間有幀移，其實就是插值平滑的作用。

給出示意圖：

 這裏主要用到numpy工具包，涉及的指令有：

• np.repeat：主要是直接重複

• np.tile：主要是週期性重複

對比一下：

向量情況：

矩陣情況：

對於數據：

repeat操作：

tile操作：

對應結果：

 對應分幀的代碼實現：

 這是沒有加窗的示例：

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):     '''將音頻信號轉化爲幀。     參數含義：     signal:原始音頻型號     nw:每一幀的長度(這裏指採樣點的長度，即採樣頻率乘以時間間隔)     inc:相鄰幀的間隔（同上定義）     '''     signal_length=len(signal) #信號總長度     if signal_length<=nw: #若信號長度小於一個幀的長度，則幀數定義爲1         nf=1     else: #否則，計算幀的總長度         nf=int(np.ceil((1.0*signal_length-nw+inc)/inc))     pad_length=int((nf-1)*inc+nw) #所有幀加起來總的鋪平後的長度     zeros=np.zeros((pad_length-signal_length,)) #不夠的長度使用0填補，類似於FFT中的擴充數組操作     pad_signal=np.concatenate((signal,zeros)) #填補後的信號記爲pad_signal     indices=np.tile(np.arange(0,nw),(nf,1))+np.tile(np.arange(0,nf*inc,inc),(nw,1)).T  #相當於對所有幀的時間點進行抽取，得到nf*nw長度的矩陣     indices=np.array(indices,dtype=np.int32) #將indices轉化爲矩陣     frames=pad_signal[indices] #得到幀信號 #    win=np.tile(winfunc(nw),(nf,1))  #window窗函數，這裏默認取1 #    return frames*win   #返回幀信號矩陣     return frames def wavread(filename):     f = wave.open(filename,'rb')     params = f.getparams()     nchannels, sampwidth, framerate, nframes = params[:4]     strData = f.readframes(nframes)#讀取音頻，字符串格式     waveData = np.fromstring(strData,dtype=np.int16)#將字符串轉化爲int     f.close()     waveData = waveData*1.0/(max(abs(waveData)))#wave幅值歸一化     waveData = np.reshape(waveData,[nframes,nchannels]).T     return waveData   filepath = "./data/" #添加路徑 dirname= os.listdir(filepath) #得到文件夾下的所有文件名稱  filename = filepath+dirname[0] data = wavread(filename) nw = 512 inc = 128 Frame = enframe(data[0], nw, inc)

如果需要加窗，只需要將函數修改爲：

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):     '''將音頻信號轉化爲幀。     參數含義：     signal:原始音頻型號     nw:每一幀的長度(這裏指採樣點的長度，即採樣頻率乘以時間間隔)     inc:相鄰幀的間隔（同上定義）     '''     signal_length=len(signal) #信號總長度     if signal_length<=nw: #若信號長度小於一個幀的長度，則幀數定義爲1         nf=1     else: #否則，計算幀的總長度         nf=int(np.ceil((1.0*signal_length-nw+inc)/inc))     pad_length=int((nf-1)*inc+nw) #所有幀加起來總的鋪平後的長度     zeros=np.zeros((pad_length-signal_length,)) #不夠的長度使用0填補，類似於FFT中的擴充數組操作     pad_signal=np.concatenate((signal,zeros)) #填補後的信號記爲pad_signal     indices=np.tile(np.arange(0,nw),(nf,1))+np.tile(np.arange(0,nf*inc,inc),(nw,1)).T  #相當於對所有幀的時間點進行抽取，得到nf*nw長度的矩陣     indices=np.array(indices,dtype=np.int32) #將indices轉化爲矩陣     frames=pad_signal[indices] #得到幀信號     win=np.tile(winfunc,(nf,1))  #window窗函數，這裏默認取1     return frames*win   #返回幀信號矩陣

　　其中窗函數，以hamming窗爲例：

1 2	winfunc = signal.hamming(nw) Frame = enframe(data[0], nw, inc, winfunc)

　　調用即可。

7、語譜圖

 其實得到了分幀信號，頻域變換取幅值，就可以得到語譜圖，如果僅僅是觀察，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/" #添加路徑 filename= os.listdir(filepath) #得到文件夾下的所有文件名稱  f = wave.open(filepath+filename[0],'rb') params = f.getparams() nchannels, sampwidth, framerate, nframes = params[:4] strData = f.readframes(nframes)#讀取音頻，字符串格式 waveData = np.fromstring(strData,dtype=np.int16)#將字符串轉化爲int waveData = waveData*1.0/(max(abs(waveData)))#wave幅值歸一化 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()