【PYTHON】soundfile.read / torchaudio.load / librosa.load

目录

Soundfile.read

Torchaudio.load

Librosa.load

---

在读取音频时有几种方法，而每一种所读出来的格式都不一样

Soundfile.read

最简单输入参数也最少的方式。

import soundfile as sf

file = './my_audio/cat.wav'
y, sr = sf.read(file)
print('If use soundfile, shape of y = ',y.shape)

# 输出：
If use soundfile.read, shape of y =  (187662, 2)

Torchaudio.load

读取完音频则为Tensor的型态。

filepath (str)：音频路径。

frame_offset (int)(默认是0)：在此之后开始读取，以帧为单位。

num_frames (int)(默认是-1)：读取的最大帧数。默认是表示从frame_offset直到末尾。若给定文件帧数不足，可能返回实际剩余的帧数。

normalize (bool)(默认为 True)：True时，函数返回float32，所有值归一化到[-1,1]之间。
若输入文件是wav，且是整形，且为False时，则输出int。此参数仅对wav文件起作用。

channels_first (bool)(默认为 True)：True时，返回的Tensor是[channel, time]；False时，返回的Tensor是[time, channel]。

import torchaudio

file = './my_audio/cat.wav'
y, sr = torchaudio.load(file)
print('If use torchaudio.load, shape of y = ',y.shape)

# 输出：
If use torchaudio.load, shape of y =  torch.Size([2, 187662])

Librosa.load

采用liborsa可直接设定是以单声道或是双声道读取，也能直接设置采样率。

path (str)：音频路径。

sr (int)(默认22050)：采样率，sr=None表读取原始采样率。

mono (bool)：True为单声道；False为双声道。

offset (str)：在此时间之后开始读取(单位：秒)。

duration (str)：仅读取这些时长的音频的(单位：秒)。

import librosa

file = './my_audio/cat.wav'
y, sr = librosa.load(file, sr=44100, mono=False)
print('If use librosa.load, shape of y = ',y.shape)

# 输出：
If use librosa.load, shape of y =  (2, 187662)

三者输出比較：

# 三者输出比較：
If use soundfile.read, shape of y =  (187662, 2)
If use torchaudio.load, shape of y =  torch.Size([2, 187662])
If use librosa.load, shape of y =  (2, 187662)