python音頻處理用到的操做

做者：桂。

時間：2017-05-03  12:18:46

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

---

前言

本文主要記錄python下音頻經常使用的操做，以.wav格式文件爲例。其實網上有不少現成的音頻工具包，若是僅僅調用，工具包是更方便的。

更多pyton下的操做能夠參考： 用python作科學計算

一、批量讀取.wav文件名：

import os

filepath = "./data/" #添加路徑
filename= os.listdir(filepath) #獲得文件夾下的全部文件名稱  
for file in filename:
    print(filepath+file)

　　這裏用到字符串路徑：

1.一般意義字符串(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）.

經常使用獲取幫助的方式：

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

二、讀取.wav文件

wave.open 用法：

wave.open(file,mode)

　　mode能夠是：

‘rb’，讀取文件；

‘wb’，寫入文件;

不支持同時讀/寫操做。

Wave_read.getparams用法：

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

　　其中最後一行爲經常使用的音頻參數：

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:

import wave
import matplotlib.pyplot as plt
import numpy as np
import os

filepath = "./data/" #添加路徑
filename= os.listdir(filepath) #獲得文件夾下的全部文件名稱  
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，其餘同單通道處理徹底一致，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) #獲得文件夾下的全部文件名稱  
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，因此多通道的讀取方式對任意通道wav文件都適用。須要注意的是，waveData在reshape以後，與以前的數據結構是不一樣的。即waveData[0]等價於reshape以前的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。

三、wav寫入

涉及到的主要指令有三個：

• 參數設置：

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：

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) #獲得文件夾下的全部文件名稱  
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相似，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：

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) #獲得文件夾下的全部文件名稱  
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：

四、音頻播放

 wav文件的播放須要用到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

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，值能夠爲paFloat3二、paInt3二、paInt2四、paInt1六、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:

import wave
import pyaudio  
import os

#wav文件讀取
filepath = "./data/" #添加路徑
filename= os.listdir(filepath) #獲得文件夾下的全部文件名稱  
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()  

　　由於是python3.5，判斷語句if data == b'': break 的b不能缺乏。

五、信號加窗

一般對信號截斷、分幀須要加窗，由於截斷都有頻域能量泄露，而窗函數能夠減小截斷帶來的影響。

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，繪製hanning窗：

import pylab as pl
import scipy.signal as signal
pl.figure(figsize=(6,2))
pl.plot(signal.hanning(512))

六、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：

加窗截斷相似採樣，爲了保證相鄰幀不至於差異過大，一般幀與幀之間有幀移，其實就是插值平滑的做用。

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：

向量狀況：

矩陣狀況：

對於數據：

repeat操做：

tile操做：

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: #不然，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) #全部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，相似於FFT中的擴充數組操做
    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  #至關於對全部幀的時間點進行抽取，獲得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] #獲得幀信號
#    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) #獲得文件夾下的全部文件名稱  
filename = filepath+dirname[0]
data = wavread(filename)
nw = 512
inc = 128
Frame = enframe(data[0], nw, inc) 

若是須要加窗，只須要將函數修改成：

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: #不然，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) #全部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，相似於FFT中的擴充數組操做
    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  #至關於對全部幀的時間點進行抽取，獲得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] #獲得幀信號
    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：

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

　　調用便可。

七、語譜圖

 其實獲得了分幀信號，頻域變換取幅值，就能夠獲得語譜圖，若是僅僅是觀察，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) #獲得文件夾下的全部文件名稱  
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()