python WAV音频文件处理—— (1)读写WAV文件

avatar
作者
筋斗云
阅读量:0

原文
代码

了解WAV文件格式

WAV是一种波形音频文件格式(Waveform Audio File Format)。虽然是一种古老的格式(九十年代初开发),但今天仍然可以看到这种文件。
WAV具有简单、可移植、高保真等特点。

WAV的波形

声音是一种波,可以用3个属性描述:

  • 振幅(Amplitude) 表示声波强度,可视为响度。
  • 频率(Frequency),波长的倒数,对应音高。
  • 相位(Phase)波开始时对应波周期中的位置。

如果你用音频软件(如Audacity)打开WAV文件,可能看到这样的波形
Audacity中的波形--振幅随时间变化

WAV 文件的结构

WAV 音频文件格式是一种二进制格式,结构如下:
WAV文件格式
Header 是一组元数据,描述了如何解释接下来的Frame。
Header中的参数说明:

  • Encoding:编码。样音频信号的数字表示。可用的编码类型包括未压缩的线性脉冲编码调制 (PCM) 和一些压缩格式,如 ADPCM、A-Law 或 μ-Law。
  • Channels:声道数。每帧中的声道数,对于单声道,通常等于 1 个,对于立体声音轨,通常等于 2 个,但对于环绕声录音,可能会更多。
  • Frame Rate:帧速率。也称采样率。
  • Bit Depth:位深度,每个音的比特位数。位深度越大,编码信号的动态范围越大,越能表现声音的细微差别。

为了忠实地表现音乐,大多数 WAV 文件使用立体声 PCM 编码,其中 16 位有符号整数以 44.1 kHz 采样。这些参数对应于标准 CD 质量的音频。巧合的是,这样的采样频率大约是大多数人能听到的最高频率的两倍。根据 Nyquist-Shannon 采样定理,这足以以数字形式捕获声音而不会失真。

Python的wave模块

wave 模块负责读取写入 WAV 文件(但不能播放声音)。

使用wave.open 读取wav文件将返回一个 wave.Wave_read object

import wave with wave.open("Bongo_sound.wav") as wav_file:     print(wav_file) 

可以使用该对象检索存储在 WAV 文件Header信息并读取编码的音频帧

>>> with wave.open("Bongo_sound.wav") as wav_file: ...     metadata = wav_file.getparams() # header  ...     frames = wav_file.readframes(metadata.nframes) # frame ...  >>> metadata _wave_params(     nchannels=1,     sampwidth=2,     framerate=44100,     nframes=212419,     comptype='NONE',     compname='not compressed' )  >>> frames b'\x01\x00\xfe\xff\x02\x00\xfe\xff\x01\x00\x01\x00\xfe\xff\x02\x00...'  >>> len(frames) 424838 

读取的原始比特(bytes),我们需要手动解码。从Header中我们看到,每个音占2个字节(16位)。
我们可以用array模块:

>>> import array >>> pcm_samples = array.array("h", frames) >>> len(pcm_samples) 212419 

或者使用struct模块:

>>> import struct >>> format_string = "<" + "h" * (len(frames) // 2) >>> pcm_samples = struct.unpack(format_string, frames) >>> len(pcm_samples) 212419 

<符号指示字节为小端格式(little-endian)。

numpy提供了更简单的方法:

>>> import numpy as np >>> pcm_samples = np.frombuffer(frames, dtype="<h") >>> normalized_amplitudes = pcm_samples / (2 ** 15) 

numpy简洁高效,后面都使用numpy进行处理。

写WAV文件

从数学上讲,您可以将任何复杂声音表示为多个不同频率、振幅和相位的正弦波的总和。
正弦波
由于振幅A被缩放到[-1,1]之间,并且我们不关心相位,因此正弦波可以简化为:

import math  FRAMES_PER_SECOND = 44100  def sound_wave(frequency, num_seconds):     for frame in range(round(num_seconds * FRAMES_PER_SECOND)):         time = frame / FRAMES_PER_SECOND         amplitude = math.sin(2 * math.pi * frequency * time)         yield round((amplitude + 1) / 2 * 255) 

现在,我们可以生成声音了。
下面我们生成一个频率为440Hz、持续2.5s的声音:

import math import wave  ...  with wave.open("output.wav", mode="wb") as wav_file:     wav_file.setnchannels(1)     wav_file.setsampwidth(1)     wav_file.setframerate(FRAMES_PER_SECOND)     wav_file.writeframes(bytes(sound_wave(440, 2.5))) 

使用声音软件打开生成的文件,听到嘟的一声。

混合和立体声

为了合成立体声,
我们需要制造左右两个声道的声音,并在每一帧交替播放

import itertools import math import wave  FRAMES_PER_SECOND = 44100  def sound_wave(frequency, num_seconds):     for frame in range(round(num_seconds * FRAMES_PER_SECOND)):         time = frame / FRAMES_PER_SECOND         amplitude = math.sin(2 * math.pi * frequency * time)         yield round((amplitude + 1) / 2 * 255)  left_channel = sound_wave(440, 2.5) right_channel = sound_wave(480, 2.5) # 交替播放 两个声道 stereo_frames = itertools.chain(*zip(left_channel, right_channel))   with wave.open("output.wav", mode="wb") as wav_file:     wav_file.setnchannels(2) # 2 channel     wav_file.setsampwidth(1)     wav_file.setframerate(FRAMES_PER_SECOND)     wav_file.writeframes(bytes(stereo_frames)) 

或者,与其为声波分配单独的声道,不如将它们混合在一起以创建有趣的效果。
混合两种声音的效果等同于将两个声音的振幅相加

import math import wave  FRAMES_PER_SECOND = 44100  def beat(frequency1, frequency2, num_seconds):     for frame in range(round(num_seconds * FRAMES_PER_SECOND)):         time = frame / FRAMES_PER_SECOND         amplitude1 = math.sin(2 * math.pi * frequency1 * time)         amplitude2 = math.sin(2 * math.pi * frequency2 * time)         amplitude = max(-1, min(amplitude1 + amplitude2, 1))         yield round((amplitude + 1) / 2 * 255)  with wave.open("output.wav", mode="wb") as wav_file:     wav_file.setnchannels(1)     wav_file.setsampwidth(1)     wav_file.setframerate(FRAMES_PER_SECOND)     wav_file.writeframes(bytes(beat(440, 441, 2.5))) 

使用更高的位深度

到目前为止,您一直使用单个字节(8位)来表示每个音频样本,以保持简单。这为您提供了 256 个不同的振幅级别,足以满足您的需求。但是,您迟早会希望提高位深度,以实现更大的动态范围和更好的音质。

切换到更高的位深度时,必须相应地调整缩放字节转换。您可以使用 NumPy 优雅地表达声波方程并有效地处理字节转换:

import numpy as np import wave  FRAMES_PER_SECOND = 44100  def sound_wave(frequency, num_seconds):     time = np.arange(0, num_seconds, 1 / FRAMES_PER_SECOND)     amplitude = np.sin(2 * np.pi * frequency * time)     return np.clip(         np.round(amplitude * 32768),         -32768,         32767,     ).astype("<h")  left_channel = sound_wave(440, 2.5) right_channel = sound_wave(480, 2.5) stereo_frames = np.dstack((left_channel, right_channel)).flatten()  with wave.open("output.wav", mode="wb") as wav_file:     wav_file.setnchannels(2)     wav_file.setsampwidth(2) # 2 bytes == 16 bits      wav_file.setframerate(FRAMES_PER_SECOND)     wav_file.writeframes(stereo_frames) 

广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!