如何利用python處理原始音頻數據
一、基礎知識
PCM(pulse code modulation)
,即脈沖編碼調制,是將模擬信號轉為數字信號的一種編碼系統。而模數轉換主要分兩步,首先對連續的模擬信號進行采樣,然後把采樣得到的數據轉化為數值,即量化。
設x xx為輸入信號,F ( x ) F(x)F(x)為量化後的信號,則F ( x ) F(x)F(x)既可以是線性的,也可以是非線性的。在audioop
中,主要提供三種編碼支持,分別是a-Law
,μ-Law
以及ADPCM
。
在中國和歐洲主要實用的編碼方式為A-Law,其表達式為:
其中A AA為壓縮系數,在G.726標準中建議87.56。
ADPCM(Adaptive Differential PCM)
,即自適應差分PCM。
由於模擬信號的連續性,一般來說相鄰時間單位的信號往往具有較高的線性度,甚至彼此相差無幾,從而可以被高效率的壓縮。然而,也存在跳躍幅度較大的信號,如果完全以緩變為原則,那麼必然會丟失這部分數據。為瞭均衡這種差異,就需要進行自適應量化。
audioop中支持的Intel/DVI ADPCM算法可以在網上找到,但是信息並不多而且都很老舊,貌似不太重要的樣子,甚至知網都搜不到,所以這裡就不詳細解讀瞭。
二、轉換函數
audioop
提供瞭ADPCM
、A-Law
和μ-Law
和線性采樣之間的轉換函數
采樣 | ADPCM | A-Law | μ-Law |
---|---|---|---|
lin2lin | lin2adpcm | lin2alaw | lin2ulaw |
adpcm2lin | alaw2lin | ulaw2lin |
其中,與A-Law
和μ-Law
有關的轉換函數的輸入參數為(fragment
, width
),分別代表待處理片段和位寬;adpcm
則會多一個state
元組作為第三個參數,表示編碼器狀態。
lin2lin
是將線性片段在1、2、3 和 4 字節格式之間轉換的函數,其輸入參數為(fragment
, width
, newwidth
)。
下面新建一些數據來測試一下編碼轉換函數,
#下面代碼來自於test_audioop.py import audioop import sys import unittest pack = lambda width, data :b''.join( v.to_bytes(width, sys.byteorder, signed=True) for v in data) packs = {w: (lambda *data, width=w: pack(width, data)) for w in (1, 2, 3, 4)} unpack = lambda width, data: [int.from_bytes( data[i: i + width], sys.byteorder, signed=True) for i in range(0, len(data), width)] datas = { 1: b'\x00\x12\x45\xbb\x7f\x80\xff', 2: packs[2](0, 0x1234, 0x4567, -0x4567, 0x7fff, -0x8000, -1), 3: packs[3](0, 0x123456, 0x456789, -0x456789, 0x7fffff, -0x800000, -1), 4: packs[4](0, 0x12345678, 0x456789ab, -0x456789ab, 0x7fffffff, -0x80000000, -1), }
則datas的值為:
>>> for key in datas : print(datas[key])
…
b'\x00\x12E\xbb\x7f\x80\xff'
b'\x00\x004\x12gE\x99\xba\xff\x7f\x00\x80\xff\xff'
b'\x00\x00\x00V4\x12\x89gEw\x98\xba\xff\xff\x7f\x00\x00\x80\xff\xff\xff'
b'\x00\x00\x00\x00xV4\x12\xab\x89gEUv\x98\xba\xff\xff\xff\x7f\x00\x00\x00\x80\xff\xff\xff\xff'
>
則其轉換函數測試如下:
>>> datas[1]
b'\x00\x12E\xbb\x7f\x80\xff' #將要處理的1位線性碼
>>> unpack(1,datas[1])
[0, 18, 69, -69, 127, -128, -1] #轉為整型
# 將1字節線性碼轉為2字節線性碼
>>> datas1_2 = audioop.lin2lin(datas[1], 1, 2)
>>> print(datas1_2)
b'\x00\x00\x00\x12\x00E\x00\xbb\x00\x7f\x00\x80\x00\xff'
>>> unpack(2,datas1_2) #轉為整型,其值為datas[1]*256
[0, 4608, 17664, -17664, 32512, -32768, -256]
# 將1字節線性碼轉為1字節u-Law碼
>>> datas1_u = audioop.lin2ulaw(datas[1], 1)
>>> unpack(1,datas1_u) #轉為整型,這個數和u-law的公式對不上,可能是其他算法
[-1, -83, -114, 14, -128, 0, 103]
三、片段特征函數
下表中函數的輸入為(fragment
, width
),分別代表待統計片段和位寬。
返回值 | |
---|---|
avg | 片段采樣值的均值 |
avgpp | 片段采樣值的平均峰峰值 |
max | 片段采樣值的最大絕對值 |
maxpp | 聲音片段中的最大峰峰值 |
minmax | 由片段采樣值中最小和最大值組成的元組 |
rms | 片段的均方根 |
cross | 片段穿越零點的次數 |
getsample(fragment, width, index)
,顧名思義用於采樣,返回段中采樣值索引index的值。
findfactor(fragment, reference)
,返回一個系數F使得rms(add(fragment, mul(reference, -F)))
最小,即返回的系數乘以reference
後與fragment
最匹配。兩個片段都應包含 2 字節寬的采樣。
findfit(fragment, reference)
,盡可能嘗試讓 reference
匹配 fragment
的一部分。
findmax(fragment, length)
,在fragment
中搜索所有長度為length的采樣切片中,能量最大的那一個切片,即返回 i 使得 rms(fragment[i*2:(i+length)*2]) 最大。
四、片段操作
其返回值均為片段,下表的參數中,f表示fragment,w表示width,L表示lfactor,R表示rfactor
audioop.ratecv(f, w, nchannels, inrate, outrate, state[, weightA[, weightB]])
可用於轉換輸入片段的幀速率,其中
- state為元組,表示轉換器狀態
- weightA和weightB是簡單數字濾波器的參數,默認為 1 和 0。
到此這篇關於如何利用python處理原始音頻數據的文章就介紹到這瞭,更多相關利用python處理原始音頻數據內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- 詳解python的二進制轉化模塊
- python二進制轉換模塊的具體用法
- Python二進制數據結構Struct的具體使用
- Python基礎筆記之struct和格式化字符
- Python GUI之如何使用tkinter控件