音频格式及转换代码

音频信号的读写、播放及录音

python已经支持WAV格式的书写，而实时的声音输入输出需要安装pyAudio(http://people.csail.mit.edu/hubert/pyaudio)。最后我们还将使用pyMedia(http://pymedia.org)进行Mp3的解码和播放。

音频信号是模拟信号，我们需要将其保存为数字信号，才能对语音进行算法操作，WAV是Microsoft开发的一种声音文件格式，通常被用来保存未压缩的声音数据。

语音信号有四个重要的参数：声道数、采样频率、量化位数(位深)和比特率。

• 声道数：可以是单声道、双声道 …
• 采样频率（Sample rate）：每秒内对声音信号采样样本的总数目，44100Hz采样频率意味着每秒钟信号被分解成44100份。换句话说，每隔144100144100秒就会存储一次，如果采样率高，那么媒体播放音频时会感觉信号是连续的。
• 量化位数（Bit depth）：也称为“位深”，每个采样点中信息的比特(bit)数。1 byte等于8 bit。通常有8bit、16bit、24bit、32bit…
• 比特率（Bit rate）:每秒处理多少个Bit。比如一个单声道，用44.1KHz/16Bit的配置来说，它的比特率就为44100161=705600，单位是bit/s(或者bps)，因为通常计算出来的数字都比较大，大家就用kbit/s了，也就是705.6kbit/s。在对音频进行压缩时，比特率就成为了我们的一个要选的选项了，越高的比特率，其音质也就越好。一些常用的比特率有：
  • 32kbit/s： 一般只适用于语音
  • 96kbit/s： 一般用于语音或低质量流媒体
  • 128或160kbit/s： 中等比特率质量
  • 192kbit/s： 中等质量比特率
  • 256kbit/s： 常用的高质量比特率
  • 320kbit/s： MP3标准支持的最高水平
    如果你需要自己录制和编辑声音文件，推荐使用Audacity，它是一款开源的、跨平台、多声道的录音编辑软件。在我的工作中经常使用Audacity进行声音信号的录制，然后再输出成WAV文件供Python程序处理。

如果想要快速看语音波形和语谱图，推荐使用Adobe Audition，他是Adobe公司开发专门处理音频的专业软件，微博关注vposy，下载地址见置顶。他破解了很多adobe公司的软件，包括PS、PR…

音频格式

WAV

WAV格式是微软公司开发的一种无损声音文件格式，也称为波形声音文件，WAV格式支持多种压缩算法、音频位数、采样频率和声道。

WAV 符合 RIFF(Resource Interchange File Format) 规范，所有的WAV都由 44字节 头文件 和 PCM文件 组成，这个文件头包含语音信号的所有参数信息(声道数、采样率、量化位数、比特率…)

44个字节的 头文件由 3个区块组成：

• RIFF chunk：WAV文件标识
• Format chunk： 声道数、采样率、量化位数、等信息
• Data chunk：存放数据
  相反的，在PCM文件头部添加44个字节的WAV文件头，就可以生成WAV格式文件

RIFF区块

规范的WAVE格式遵循RIFF头

名称	字节数	内容
ChunkID	4	“RIFF” 标识符
ChunkSize	4	表示从下个地址开始到文件尾的总字节数更准确的说：等于整个wav文件大小-8更准确的说：等于整个wav文件大小-8
Format	4	“WAVE” 标识符

FORMAT区块

描述声音数据的格式

名称	字节数	内容
Subchunk1ID	4	"fmt " 标识符，最后一位是空格
Subchunk1Size	4	该区块数据的长度（不包含该区块ID和Size的长度）
AudioFormat	2	音频格式，PCM音频数据的值为1
NumChannels	2	通道数
SampleRate	4	采样率
ByteRate	4	每秒数据字节数 = SampleRate * NumChannels * BitsPerSample / 8
BlockAlign	2	每个采样点所需的字节数 = NumChannels * BitsPerSample / 8
BitsPerSample	2	量化位数(bit)

DATA区块

包含数据的大小和实际声音

名称	字节数	内容
Subchunk2ID	4	“data” 标识符
Subchunk2Size	4	该区块数据的长度，（不包含该区块ID和Size的长度），也就是PCM字节数
Data	*	音频数据

文件实例：

RIFF区块

• ChunkID(4字节 52 49 46 46)：对应ASCII中的 RIFF，这里是ASCII码对照表。
• ChunkSize(4字节 76 01 03 00)：表示WAV文件的大小，不包含了前面8个字节，所以真正的大小等于文件总字节减去8。76 01 03 00 对应的正序16进制为 00 03 01 76大小为196982
• Format(4字节 57 41 56 45)：对应ASCII中的WAVE

FORMAT区块

• Subchunkl ID(4字节 66 6d 74 20)：对应ASCII中的fmt
• Subchunkl Size(4字节 10 00 00 00)：正序16进制 00 00 00 10 对应16
• AudioFormat(2字节 01 00)：正序16进制 00 01，对应数字1，表示编码格式“WAVE_FORMAT_PCM”
• NumChannels(2字节 01 00)：正序16进制 00 01，对应数字1，表示声道数为1
• SampleRate(4字节 80 bb 00 00)：正序16进制 00 00 bb 80，表示采样率为48000
• ByteRate(4字节 00 77 01 00)：正序16进制 00 01 77 00，表示传输速率为96000
• BlockAlign(2字节 02 00)：正序16进制 00 02，每个采样所需的2字节数
• BitsPerSample(2字节 10 00)：正序16进制 00 10，采样大小为16 Bits

DATA区块

• Subchunk2ID(4字节 64 61 74 61)：表示为ASCII的data，开始数据区
• Subchunk2 Size(4字节 52 01 03 00)：正序16进制 00 03 01 52，PCM字节数，大小为196946
• wav文件(wav字节-44字节)：pcm音频数据

WAV转PCM

因为wav比pcm多44个字节的文件头，也就是说44字节后的信息，就是pcm数据

版本1：C语言实现wave to pcm

#include <stdio.h>

/**
 * wav2pcm ***.wav **.pcm
 * @param argc 命令行参数的长度
 * @param argv 命令行参数，argv[0]是程序名称
 * @return
 */
int main(int argc, char *argv[]) {
   
   
    FILE *wavfile;
    FILE *pcmfile;
    char buf[1024];
    int read_len;

    if (argc != 3) {
   
   
        printf("usage:\n"
               "\t wav2pcm ***.wav **.pcm\n");
    }
    wavfile = fopen(argv[1], "rb");
    if (wavfile == NULL) {
   
   
        printf("!Error: Can't open wavfile.\n");
        return 1;
    }
    pcmfile = fopen(argv[2], "wb");
    if (pcmfile == NULL) {
   
   
        printf("!Error: Can't open pcmfile.\n");
        return 1;
    }

    fseek(wavfile, 44, SEEK_SET);        // 将文件指针移动到文件开头，后移44字节

    while ((read_len = fread(buf, 1, sizeof(buf), wavfile)) != 0) {
   
   
        fwrite(buf, 1, read_len, pcmfile);
    }

    fclose(pcmfile);
    fclose(wavfile);

    return 0;
}

版本2：shell实现 wave to pcm

dd if=1.wav of=1.pcm bs=1 skip=44

版本3：使用python的

def wav2pcm(wavfile, pcmfile, data_type=np.int16):
    f = open(wavfile, "rb")
    f.seek(0)