python音頻處理用到的操作的示例代碼

更新時間：2017年10月27日 14:53:31 作者：桂。

本篇文章主要介紹了python音頻處理用到的操作的示例代碼，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧

前言

本文主要記錄python下音頻常用的操作，以.wav格式文件為例。其實網(wǎng)上有很多現(xiàn)成的音頻工具包，如果僅僅調(diào)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(xué)計算

1、批量讀取.wav文件名：

這里用到字符串路徑：

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(jìn)行轉(zhuǎn)義
3.Unicode字符串，u'' basestring子類

如：

path = './file/n'

path = r'.\file\n'

path = '.\\file\\n'

三者等價，右劃線\為轉(zhuǎn)義字符，引號前加r表示原始字符串，而不轉(zhuǎn)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：

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：

f = wave.open(file,'rb')

params = f.getparams()

nchannels, sampwidth, framerate, nframes = params[:4]

其中最后一行為常用的音頻參數(shù)：

nchannels:聲道數(shù)
sampwidth:量化位數(shù)（byte）
framerate:采樣頻率
nframes:采樣點數(shù)

單通道

對應(yīng)code:

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(zhuǎn)化為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(biāo)尺，on：有，off:無。

結(jié)果圖：

多通道

這里通道數(shù)為3，主要借助np.reshape一下，其他同單通道處理完全一致，對應(yīng)code:

# -*- 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(zhuǎn)化為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(biāo)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(biāo)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(biāo)尺，on：有，off:無。

plt.show()

效果圖：

單通道為多通道的特例，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之后，與之前的數(shù)據(jù)結(jié)構(gòu)是不同的。即waveData[0]等價于reshape之前的waveData，但不影響繪圖分析，只是在分析頻譜時才有必要考慮這一點。

3、wav寫入

涉及到的主要指令有三個：

參數(shù)設(shè)置：

nchannels = 1 #單通道為例

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：

outfile = filepath+'out1.wav'

outwave = wave.open(outfile, 'wb')#定義存儲路徑以及文件名

數(shù)據(jù)的寫入：

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(shù)據(jù)寫入：

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(zhuǎn)化為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(shù)據(jù)，這里仍然取waveData數(shù)據(jù)

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(shù)據(jù)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(shù)據(jù)reshape為二維，多通道的寫入是將二維的數(shù)據(jù)reshape為一維，其實就是一個逆向的過程：

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(zhuǎn)化為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(shù)據(jù)，這里仍然取waveData數(shù)據(jù)

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()

這里用到struct.pack(.)二進(jìn)制的轉(zhuǎn)化：

例如：

4、音頻播放

wav文件的播放需要用到pyaudio，安裝包點擊這里。我將它放在\Scripts文件夾下，cmd并切換到對應(yīng)目錄

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(shù)：

rate:采樣率
channels:聲道數(shù)
format:采樣值的量化格式，值可以為paFloat32、paInt32、paInt24、paInt16、paInt8等。下面的例子中，使用get_from_width()將值為2的sampwidth轉(zhuǎn)換為paInt16.
input:輸入流標(biāo)志，Ture表示開始輸入流
output:輸出流標(biāo)志

給出對應(yīng)code:

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(jìn)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()

因為是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，因為截斷都有頻域能量泄露，而窗函數(shù)可以減少截斷帶來的影響。

窗函數(shù)在scipy.signal信號處理工具箱中，如hamming窗：

import scipy.signal as signal

pl.plot(signal.hanning(512))

利用上面的函數(shù)，繪制hanning窗：

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(jù)，其中x是語音信號，w是窗函數(shù)：

加窗截斷類似采樣，為了保證相鄰幀不至于差別過大，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：

這里主要用到numpy工具包，涉及的指令有：

np.repeat：主要是直接重復(fù)
np.tile：主要是周期性重復(fù)

對比一下：

向量情況：

矩陣情況：

對于數(shù)據(jù)：

repeat操作：

tile操作：

對應(yīng)結(jié)果：

對應(yīng)分幀的代碼實現(xiàn)：

這是沒有加窗的示例：

import numpy as np

import wave

import os

#import math

 

def enframe(signal, nw, inc):

  '''將音頻信號轉(zhuǎn)化為幀。

  參數(shù)含義：

  signal:原始音頻型號

  nw:每一幀的長度(這里指采樣點的長度，即采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: #若信號長度小于一個幀的長度，則幀數(shù)定義為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后的長度

  zeros=np.zeros((pad_length-signal_length,)) #不夠的長度使用0填補(bǔ)，類似于FFT中的擴(kuò)充數(shù)組操作

  pad_signal=np.concatenate((signal,zeros)) #填補(bǔ)后的信號記為pad_signal

  indices=np.tile(np.arange(0,nw),(nf,1))+np.tile(np.arange(0,nf*inc,inc),(nw,1)).T #相當(dāng)于對所有幀的時間點進(jìn)行抽取，得到nf*nw長度的矩陣

  indices=np.array(indices,dtype=np.int32) #將indices轉(zhuǎn)化為矩陣

  frames=pad_signal[indices] #得到幀信號

#  win=np.tile(winfunc(nw),(nf,1)) #window窗函數(shù)，這里默認(rèn)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(zhuǎn)化為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(shù)修改為：

def enframe(signal, nw, inc, winfunc):

  '''將音頻信號轉(zhuǎn)化為幀。

  參數(shù)含義：

  signal:原始音頻型號

  nw:每一幀的長度(這里指采樣點的長度，即采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: #若信號長度小于一個幀的長度，則幀數(shù)定義為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后的長度

  zeros=np.zeros((pad_length-signal_length,)) #不夠的長度使用0填補(bǔ)，類似于FFT中的擴(kuò)充數(shù)組操作

  pad_signal=np.concatenate((signal,zeros)) #填補(bǔ)后的信號記為pad_signal

  indices=np.tile(np.arange(0,nw),(nf,1))+np.tile(np.arange(0,nf*inc,inc),(nw,1)).T #相當(dāng)于對所有幀的時間點進(jìn)行抽取，得到nf*nw長度的矩陣

  indices=np.array(indices,dtype=np.int32) #將indices轉(zhuǎn)化為矩陣

  frames=pad_signal[indices] #得到幀信號

  win=np.tile(winfunc,(nf,1)) #window窗函數(shù)，這里默認(rèn)取1

  return frames*win  #返回幀信號矩陣

其中窗函數(shù)，以hamming窗為例：

winfunc = signal.hamming(nw)

Frame = enframe(data[0], nw, inc, winfunc)

調(diào)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：

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(zhuǎn)化為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()