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格式文件為例。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：
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''，不對特殊字符進行轉義 3.Unicode字符串，u'' basestring子類
如：
path = './file/n' path = r'.\file\n' path = '.\\file\\n'
三者等價，右划線\為轉義字符，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：
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：
nchannels:聲道數
sampwidth:量化位數（byte）
framerate:采樣頻率
nframes:采樣點數
- 單通道
對應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')#標尺，on：有，off:無。
結果圖：
- 多通道
這里通道數為3，主要借助np.reshape一下，其他同單通道處理完全一致，對應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：
- 參數設置：
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
- 數據的寫入：
for v in outData:
outwave.writeframes(struct.pack('h', int(v * 64000 / 2)))#outData:16位，-32767~32767，注意不要溢出
單通道數據寫入：
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的數據，這里仍然取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為二維，多通道的寫入是將二維的數據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的數據，這里仍然取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()
這里用到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，安裝包點擊這里。我將它放在\Scripts文件夾下，cmd並切換到對應目錄
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：
-
- rate:采樣率
- channels:聲道數
- 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轉換為paInt16.
- input:輸入流標志，Ture表示開始輸入流
- output:輸出流標志
給出對應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：
import scipy.signal as signal pl.plot(signal.hanning(512))
利用上面的函數，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，其中x是語音信號，w是窗函數：
加窗截斷類似采樣，為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：
這里主要用到numpy工具包，涉及的指令有：
- np.repeat：主要是直接重復
- np.tile：主要是周期性重復
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：
import numpy as np
import wave
import os
#import math
def enframe(signal, nw, inc):
'''將音頻信號轉化為幀。
參數含義：
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: #若信號長度小於一個幀的長度，則幀數定義為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，類似於FFT中的擴充數組操作
pad_signal=np.concatenate((signal,zeros)) #填補后的信號記為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轉化為矩陣
frames=pad_signal[indices] #得到幀信號
# win=np.tile(winfunc(nw),(nf,1)) #window窗函數，這里默認取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，只需要將函數修改為：
def enframe(signal, nw, inc, winfunc):
'''將音頻信號轉化為幀。
參數含義：
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: #若信號長度小於一個幀的長度，則幀數定義為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，類似於FFT中的擴充數組操作
pad_signal=np.concatenate((signal,zeros)) #填補后的信號記為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轉化為矩陣
frames=pad_signal[indices] #得到幀信號
win=np.tile(winfunc,(nf,1)) #window窗函數，這里默認取1
return frames*win #返回幀信號矩陣
其中窗函數，以hamming窗為例：
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：
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()
