pythonWAV音频文件处理——(1)读写WAV文件

平安姐

原文代码了解WAV文件格式WAV是一种波形音频文件格式(WaveformAudioFileFormat)。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：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。FrameRate：帧速率。也称采样率。BitDepth：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44.1kHz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模块负责读取和写入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_readobject。importwavewithwave.open("Bongo_sound.wav")aswav_file:print(wav_file)123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：>>>withwave.open("Bongo_sound.wav")aswav_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='notcompressed')>>>framesb'\x01\x00\xfe\xff\x02\x00\xfe\xff\x01\x00\x01\x00\xfe\xff\x02\x00...'>>>len(frames)4248381234567891011121314151617181920读取的帧是原始比特(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：>>>importarray>>>pcm_samples=array.array("h",frames)>>>len(pcm_samples)2124191234或者使用struct模块：>>>importstruct>>>format_string=">>pcm_samples=struct.unpack(format_string,frames)>>>len(pcm_samples)21241912345>>importnumpyasnp>>>pcm_samples=np.frombuffer(frames,dtype=">>normalized_amplitudes=pcm_samples/(2**15)123numpy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。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：importmathFRAMES_PER_SECOND=44100defsound_wave(frequency,num_seconds):forframeinrange(round(num_seconds*FRAMES_PER_SECOND)):time=frame/FRAMES_PER_SECONDamplitude=math.sin(2*math.pi*frequency*time)yieldround((amplitude+1)/2*255)123456789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：importmathimportwave...withwave.open("output.wav",mode="wb")aswav_file:wav_file.setnchannels(1)wav_file.setsampwidth(1)wav_file.setframerate(FRAMES_PER_SECOND)wav_file.writeframes(bytes(sound_wave(440,2.5)))12345678910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。importitertoolsimportmathimportwaveFRAMES_PER_SECOND=44100defsound_wave(frequency,num_seconds):forframeinrange(round(num_seconds*FRAMES_PER_SECOND)):time=frame/FRAMES_PER_SECONDamplitude=math.sin(2*math.pi*frequency*time)yieldround((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))withwave.open("output.wav",mode="wb")aswav_file:wav_file.setnchannels(2)#2channelwav_file.setsampwidth(1)wav_file.setframerate(FRAMES_PER_SECOND)wav_file.writeframes(bytes(stereo_frames))12345678910111213141516171819202122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：importmathimportwaveFRAMES_PER_SECOND=44100defbeat(frequency1,frequency2,num_seconds):forframeinrange(round(num_seconds*FRAMES_PER_SECOND)):time=frame/FRAMES_PER_SECONDamplitude1=math.sin(2*math.pi*frequency1*time)amplitude2=math.sin(2*math.pi*frequency2*time)amplitude=max(-1,min(amplitude1+amplitude2,1))yieldround((amplitude+1)/2*255)withwave.open("output.wav",mode="wb")aswav_file:wav_file.setnchannels(1)wav_file.setsampwidth(1)wav_file.setframerate(FRAMES_PER_SECOND)wav_file.writeframes(bytes(beat(440,441,2.5)))123456789101112131415161718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和字节转换。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：importnumpyasnpimportwaveFRAMES_PER_SECOND=44100defsound_wave(frequency,num_seconds):time=np.arange(0,num_seconds,1/FRAMES_PER_SECOND)amplitude=np.sin(2*np.pi*frequency*time)returnnp.clip(np.round(amplitude*32768),-32768,32767,).astype("