语音识别入门——常用软件及python运用

工具以及使用到的库

• ffmpeg
• sox
• audacity
• pydub
• scipy
• librosa
• pyAudioAnalysis
• plotly

---

本文分为两个部分：

P1 ：如何使用ffmpeg和sox处理音频文件
P2 ：如何编程处理音频文件并执行基本处理

---

P1 处理语音数据------命令行方式

---

格式转换

ffmpeg -i video.mkv audio.mp3

使用ffmpeg将输入mkv文件转为mp3文件

---

降采样、通道转换

ffmpeg -i audio.wav -ar 16000 -ac 1 audio_16K_mono.wav

• ar:声频采样率（audio rate）
• ac：声频通道（audio channel）
  此处是将原来44.1kHz的双通道wav文件转为单通道wav文件

---

获取音频信息

ffmpeg -i audio_16K_mono.wav

将得到

Input #0, wav, from 'audio_16K_mono.wav':
Metadata:
encoder : Lavf57.71.100
Duration: 00:03:10.29, bitrate: 256 kb/s
Stream #0:0: Audio: pcm_s16le ([1][0][0][0] / 0x0001), 16000 Hz,
mono, s16, 256 kb/s

• #0表示只有一个通道
• encoder：为libavformat支持的一种容器
• Duration：时长
• bitrate：比特率256kb/s，表示音频每秒传输的数据量，高质量音频一般比较大
• Stram：流
• #0：0：单通道
• pcm_s16le:
  • pcm(脉冲编码调制，pulse-code modulation)
  • signed integer 16：（16位有符号整型）格式采样
  • le表示小端（little endian），高位数据存地址高位，地位数据存地址地位，有如[1][0][0][0] / 0x0001。
• mono：单通道

---

小插曲

最近看到一道数据类型题

题目：为什么float类型 ( 1 e 10 + 3.14 ) − 1 e 10 = 0 ? \mathbf{(1e10+3.14)-1e10=0?} (1e10+3.14)−1e10=0?

解题如下：
1 e 10 \mathbf{1e10} 1e10二进制表示为：
001 0 ′ 010 1 ′ 010 0 ′ 000 0 ′ 101 1 ′ 111 0 ′ 010 0 ′ 000 0 ′ 0000 \mathbf{0010'0101'0100'0000'1011'1110'0100'0000'0000} 0010′0101′0100′0000′1011′1110′0100′0000′0000

或者表示为
1.001 0 ′ 101 0 ′ 000 0 ′ 010 1 ′ 111 1 ′ 001 0 ′ 000 0 ′ 000 0 ′ 0 2 ∗ 2 33 \mathbf{1.0010'1010'0000'0101'1111'0010'0000'0000'0_2*2^{33}} 1.0010′1010′0000′0101′1111′0010′0000′0000′02∗233

浮点数三要素：

• 首位：0表示正数，1表示负数
• 中间位，8位，为科学计数法指数部分，上例为33与偏置量（127）的和，此例为160，二进制为1010'0000
• 尾部：23位，二进制表示的小数部分的前23位，此例为0010'1010'0000'0101'1111'001
  故 1 e 10 \mathbf{1e10} 1e10的浮点数为：
  0 ′ 101 0 ′ 000 0 ′ 001 0 ′ 101 0 ′ 000 0 ′ 010 1 ′ 111 1 ′ 001 \mathbf{0'1010'0000'0010'1010'0000'0101'1111'001} 0′1010′0000′0010′1010′0000′0101′1111′001
  到此为止，可知舍去了科学计数法中小数部分的后10位

小数的二进制表示两个要素：

• 整数部分：正常表示，3.14整数部分为0011
• 小数部分：乘以2取整数部分，
  • 0.14*2=0.28 取0
  • 0.28*2=0.56 取0
  • 0.56*2=1.12 取1
  • 0.12*2=0.24 取0
  • 0.24*2=0.48 取0
  • 0.48*2=0.96 取0
  • 0.96*2=1.92 取1
  • ...

3.14的二进制表示为：
11.0010001... \mathbf{11.0010001...} 11.0010001...

综上， 1 e 10 + 3.14 \mathbf{1e10+3.14} 1e10+3.14的二进制表示为：
1.001 0 ′ 101 0 ′ 000 0 ′ 010 1 ′ 111 1 ′ 001 0 ′ 000 0 ′ 000 1 ′ 1001 ' 000 1 2 ∗ 2 33 \mathbf{1.0010'1010'0000'0101'1111'0010'0000'0001'1001'0001_2*2^{33}} 1.0010′1010′0000′0101′1111′0010′0000′0001′1001'00012∗233

转为浮点数，为
0 ′ 101 0 ′ 000 0 ′ 001 0 ′ 101 0 ′ 000 0 ′ 010 1 ′ 111 1 ′ 001 \mathbf{0'1010'0000'0010'1010'0000'0101'1111'001} 0′1010′0000′0010′1010′0000′0101′1111′001

与 1 e 10 \mathbf{1e10} 1e10一样，故float类型 ( 1 e 10 + 3.14 ) − 1 e 10 = 0 \mathbf{(1e10+3.14)-1e10}=0 (1e10+3.14)−1e10=0

---

修剪音频

ffmpeg -i audio.wav -ss 60 -t 20 audio_small.wav

• i：输入音频audio.wav
• ss: 截取起始秒
• t：截取段时长
• audio_small.wav:输出文件

---

串联视频

新建一个list_of_files_to_concat的txt文档，内容如下：

file 'file1.wav'
file 'file2.wav'
file 'file3.wav'

---

采用以下命令行，可将三个文件串联输出，编码方式为复制

ffmpeg -f concat -i list_of_files_to_concat -c copy output.wav

---

分割视频

以下命令行将输入视频分割为1s一个

ffmpeg -i output.wav -f segment -segment_time 1 -c copy out%05d.wav

---

交换声道

ffmpeg -i stereo.wav -map_channel 0.0.1 -map_channel 0.0.0 stereo_inverted.wav

• 0.0.1输入文件音频流右声道
• 0.0.0输入文件音频流左声道

---

合并声道

ffmpeg -i left.wav -i right.wav -filter_complex "[0:a][1:a]join=inputs=2:channel_layout=stereo[a]" -map "[a]" mix_channels.wav

• filter_complex：复杂音频滤波器图

• 0:a\],\[1:a\]：第一个和第二个文件的音频流

• channel_layout=stereo：混合后输出为立体声

• a\]：输出音频流标签

---

分割立体声音频为左右单声道文件

ffmpeg -i stereo.wav -map_channel 0.0.0 left.wav -map_channel 0.0.1 right.wav

• map_channel 0.0.0:将左声道映射到第一个输出文件
• map_channel 0.0.1:将右声道映射到第二个输出文件

---

将某个声道静音

ffmpeg -i stereo.wav -map_channel -1 -map_channel 0.0.1 muted.wav

• map_channel -1:忽略某声道
• map_channel 0.0.1:将右声道映射到输出文件

---

音量调节

ffmpeg -i data/music_44100.wav -filter:a "volume=0.5" data/music_44100_volume_50.wav
ffmpeg -i data/music_44100.wav -filter:a "volume=2.0" data/music_44100_volume_200.wav

• filter:a：使用音频过滤器
• "volume=0.5"：将音频音量变为原来一半
• "volume=2"：将音频音量变为原来两倍
  

图1 原声，半声，倍声(自上而下) 由图1可知，二倍声出现削波（失真）现象。

sox音量调节

sox -v 0.5 data/music_44100.wav data/music_44100_volume_50_sox.wav
sox -v 2.0 data/music_44100.wav data/music_44100_volume_200_sox.wav

sox -v n \text{sox -v n} sox -v n 输入文件路径 输出文件路径

• v n:音量调节系数，n可理解为倍数。

---

P2 处理语音数据------编程方式

---

• wav: scipy.io.wavfile
• mp3:pydub

---

以数组形式加载音频文件

# 以数组形式读取wav和mp3
from pydub import AudioSegment
import numpy as np
from scipy.io import wavfile


# 用 scipy.io.wavfile 读取wav文件
fs_wav, data_wav = wavfile.read("resampled.wav")

# 用 pydub 读取mp3
audiofile = AudioSegment.from_file("resampled.mp3")
data_mp3 = np.array(audiofile.get_array_of_samples())
fs_mp3 = audiofile.frame_rate

print('Sq Error Between mp3 and wav data = {}'.
      format(((data_mp3 - data_wav)**2).sum()/len(data_wav)))
print('Signal Duration = {} seconds'.
      format(data_wav.shape[0] / fs_wav))

# 输出,我使用ffmpeg将wav转成MP3，比特率将为24kb
Sq Error Between mp3 and wav data = 3775.2859044790266
Signal Duration = 34.5513125 seconds

显示左右声道

import numpy as np
from scipy.io import wavfile
import matplotlib.pyplot as plt
fs,data=wavfile.read('resampled_double.wav')
time=np.arange(0,len(data))/fs
fig,axs=plt.subplots(2,1,figsize=(10,6),sharex=True)
axs[0].plot(time,data[:,0],label='Left Channel',color='blue')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[1].plot(time,data[:,1],label='Right Channel',color='orange')
axs[1].set_ylabel('Amplitute')
axs[1].set_xlabel('Time(seconds)')
axs[1].legend()
plt.suptitle("Stereo Audio Waveform")
plt.show()

图2 左右声道展示

正则化

import matplotlib.pyplot as plt
from scipy.io import wavfile
import numpy as np
fs,data = wavfile.read("resampled_double.wav")
time=np.arange(0,len(data))/fs
plt.figure(figsize=(10,4))
plt.plot(time,data[:,0]/2^15)
plt.xlabel('Time(seconds)')
plt.ylabel('Amplitude')
plt.title('Stereo Audio Waveform')

图3 数据量化后的波形图

修剪音频

# 显示2到4秒的波形
import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile
fs,data=wavfile.read('resampled_double.wav')
time=np.arange(0,len(data[2*fs:4*fs]))/fs
plt.figure(figsize=(10,4))
plt.plot(time,data[2*fs:4*fs])
plt.xlabel('Time/s')
plt.ylabel('Amplitude')
plt.title('Stereo Audio Waveform')
plt.show()

图4 剪辑后音频波形

---

分割为固定大小

import numpy as np
from scipy.io import wavfile
import IPython
fs,signal=wavfile.read("resampled.wav")
segment_size_t=1
segment_size=segment_size_t*fs
segments=[signal[x:x+segment_size]for x in range(0,len(signal),segment_size)]
for i,s in enumerate(segments):
	if len(s)<segment_size:
		s=np.pad(s,(0,(segment_size-len(s))),'constant')		# 这里是为了每个clip都为1s
	wavfile.write(f"resampled_segment_{i}_{i+1}.wav",fs,s)
IPython.display.display(IPython.display.Audio("resampled_segment_34_35.wav"))

# 输出，成功输出35个1s的wav文件

---

简单算法------删去无声片段

import IPython
import matplotlib.pyplot as plt
import numpy as np
energies=[((s/2**15)**2).sum()/len(s) for s in segments]	# 防止溢出
thres=np.percentile(energies,20)
indices_of_segments_to_keep=(np.where(energies>thres)[0])
segments2=np.array(segments)[indices_of_segments_to_keep]
new_signal=np.concatenate(segments2)
wavfile.write("processed_new.wav",fs,new_signal.astype(np.int16))	# 转成int
plt.figure(figsize=(10,6))
plt.plot(energies,label="Energies",color="red")
plt.plot(np.ones(len(energies))*thres,label="Thresholds",color="blue")
plt.title("Energies VS Thresholds")
plt.legend()
plt.show()
IPython.display.display(IPython.display.Audio("processed_new.wav"))
IPython.display.display(IPython.display.Audio("resampled.wav"))

图5 根据能量无声片段的删除及删除后的时长

---

往单声道音频中加入节拍

import numpy as np
import scipy.io.wavfile as wavfile
import librosa
import IPython
import matplotlib.pyplot as plt

# 加载文件并提取节奏和节拍：
[Fs, s] = wavfile.read('resampled.wav')
tempo, beats = librosa.beat.beat_track(y=s.astype('float'), sr=Fs, units="time")
beats -= 0.05

# 在每个节拍的第二个声道上添加小的220Hz声音
s = s.reshape(-1, 1)
s = np.array(np.concatenate((s, np.zeros(s.shape)), axis=1))
for ib, b in enumerate(beats):
    t = np.arange(0, 0.2, 1.0 / Fs)
    amp_mod = 0.2 / (np.sqrt(t)+0.2) - 0.2
    amp_mod[amp_mod < 0] = 0
    x = s.max() * np.cos(2 * np.pi * t * 220) * amp_mod
    s[int(Fs * b): int(Fs * b) + int(x.shape[0]), 1] = x.astype('int16')

# 写入一个wav文件，其中第二个声道具有估计的节奏：
wavfile.write("tempo.wav", Fs, np.int16(s))

# 在笔记本中播放生成的文件：
IPython.display.display(IPython.display.Audio("tempo.wav"))

# 绘制波形图
time = np.arange(0, len(s)) / Fs
fig, axs = plt.subplots(2, 1, figsize=(10, 6), sharex=True)
axs[0].plot(time, s[:, 0], label='左声道', color='orange')
axs[0].set_ylabel('振幅')
axs[0].legend()
axs[1].plot(time, s[:, 1], label='右声道', color='blue')
axs[1].set_xlabel("时间/秒")
axs[1].set_ylabel("振幅")
axs[1].legend()
plt.show()

图6 添加tempo的左右声道及音频

---

实时录制以及频率分析

# paura_lite:
# 一个超简单的命令行音频录制器，具有实时频谱可视化

import numpy as np
import pyaudio
import struct
import scipy.fftpack as scp
import termplotlib as tpl
import os

# 获取窗口尺寸
rows, columns = os.popen('stty size', 'r').read().split()

buff_size = 0.2          # 窗口大小（秒）
wanted_num_of_bins = 40  # 要显示的频率分量数量

# 初始化声卡进行录制：
fs = 8000
pa = pyaudio.PyAudio()
stream = pa.open(format=pyaudio.paInt16, channels=1, rate=fs,
                 input=True, frames_per_buffer=int(fs * buff_size))

while 1:  # 对于每个录制的窗口（直到按下Ctrl+C）
    # 获取当前块并将其转换为short整数列表，
    block = stream.read(int(fs * buff_size))
    format = "%dh" % (len(block) / 2)
    shorts = struct.unpack(format, block)

    # 然后进行归一化并转换为numpy数组：
    x = np.double(list(shorts)) / (2**15)
    seg_len = len(x)

    # 获取当前窗口的总能量并计算归一化因子
    # 用于可视化最大频谱图值
    energy = np.mean(x ** 2)
    max_energy = 0.02  # 条形设置为最大的能量
    max_width_from_energy = int((energy / max_energy) * int(columns)) + 1
    if max_width_from_energy > int(columns) - 10:
        max_width_from_energy = int(columns) - 10

    # 获取FFT的幅度和相应的频率
    X = np.abs(scp.fft(x))[0:int(seg_len/2)]
    freqs = (np.arange(0, 1 + 1.0/len(X), 1.0 / len(X)) * fs / 2)

    # ... 并重新采样为固定数量的频率分量（用于可视化）
    wanted_step = (int(freqs.shape[0] / wanted_num_of_bins))
    freqs2 = freqs[0::wanted_step].astype('int')
    X2 = np.mean(X.reshape(-1, wanted_step), axis=1)

    # 将（频率，FFT）作为水平直方图绘制：
    fig = tpl.figure()
    fig.barh(X2, labels=[str(int(f)) + " Hz" for f in freqs2[0:-1]],
             show_vals=False, max_width=max_width_from_energy)
    fig.show()
    # 添加足够多的新行以清除屏幕在下一次迭代中：
    print("\n" * (int(rows) - freqs2.shape[0] - 1))

图7 实时录制并获取频谱直方图

---