将声音文件作为 NumPy 数组导入 Python（audiolab 的替代品）

Question

我过去一直使用Audiolab 导入声音文件，效果很好。然而：

• 不支持某些格式，比如mp3，因为底层的libsndfile refuses to support them
• 它doesn't work in Python 2.6 under Windows，作者不在修复它

-

In [2]: from scikits import audiolab
--------------------------------------------------------------------

ImportError                               Traceback (most recent call last)

C:\Python26\Scripts\<ipython console> in <module>()

C:\Python26\lib\site-packages\scikits\audiolab\__init__.py in <module>()
     23 __version__ = _version
     24
---> 25 from pysndfile import formatinfo, sndfile
     26 from pysndfile import supported_format, supported_endianness, \
     27                       supported_encoding, PyaudioException, \

C:\Python26\lib\site-packages\scikits\audiolab\pysndfile\__init__.py in <module>()
----> 1 from _sndfile import Sndfile, Format, available_file_formats, available_encodings
      2 from compat import formatinfo, sndfile, PyaudioException, PyaudioIOError
      3 from compat import supported_format, supported_endianness, supported_encoding

ImportError: DLL load failed: The specified module could not be found.``

所以我想：

• 找出为什么它在 2.6 中不起作用（_sndfile.pyd 有问题？），也许找到一种方法来扩展它以使用不受支持的格式
• 找到 audiolab 的完整替代品

Answer 1

如果您想为 MP3 执行此操作

这是我正在使用的：它使用 pydub 和 scipy。

完整设置（在 Mac 上，在其他系统上可能有所不同）：

import tempfile
import os
import pydub
import scipy
import scipy.io.wavfile


def read_mp3(file_path, as_float = False):
    """
    Read an MP3 File into numpy data.
    :param file_path: String path to a file
    :param as_float: Cast data to float and normalize to [-1, 1]
    :return: Tuple(rate, data), where
        rate is an integer indicating samples/s
        data is an ndarray(n_samples, 2)[int16] if as_float = False
            otherwise ndarray(n_samples, 2)[float] in range [-1, 1]
    """

    path, ext = os.path.splitext(file_path)
    assert ext=='.mp3'
    mp3 = pydub.AudioSegment.from_mp3(file_path)
    _, path = tempfile.mkstemp()
    mp3.export(path, format="wav")
    rate, data = scipy.io.wavfile.read(path)
    os.remove(path)
    if as_float:
        data = data/(2**15)
    return rate, data

感谢James Thompson's blog

Answer 2

我最近一直在使用 PySoundFile 而不是 Audiolab。使用conda 可以轻松安装。

它does not support mp3，和大多数东西一样。 MP3 不再是专利，所以没有理由不支持它；有人只需write support into libsndfile。

Answer 3

FFmpeg 支持 mp3 并可在 Windows (http://zulko.github.io/blog/2013/10/04/read-and-write-audio-files-in-python-using-ffmpeg/) 上运行。

读取 mp3 文件：

import subprocess as sp

FFMPEG_BIN = "ffmpeg.exe"

command = [ FFMPEG_BIN,
        '-i', 'mySong.mp3',
        '-f', 's16le',
        '-acodec', 'pcm_s16le',
        '-ar', '44100', # ouput will have 44100 Hz
        '-ac', '2', # stereo (set to '1' for mono)
        '-']
pipe = sp.Popen(command, stdout=sp.PIPE, bufsize=10**8)

将数据格式化成numpy数组：

raw_audio = pipe.proc.stdout.read(88200*4)

import numpy

audio_array = numpy.fromstring(raw_audio, dtype="int16")
audio_array = audio_array.reshape((len(audio_array)/2,2))

Answer 4

Sox http://sox.sourceforge.net/ 可以成为你的朋友。它可以读取许多不同的格式，并以您喜欢的任何数据类型将它们作为原始数据输出。其实我只是写了一段代码，从音频文件中读取一块数据到一个numpy数组中。

我决定走这条路线是为了便于携带（sox 应用非常广泛）并最大限度地提高我可以使用的输入音频类型的灵活性。实际上，从最初的测试来看，我使用它的速度似乎并没有明显变慢......它正在从非常长（几小时）的文件中读取短（几秒钟）的音频。

你需要的变量：

SOX_EXEC # the sox / sox.exe executable filename
filename # the audio filename of course
num_channels # duh... the number of channels
out_byps # Bytes per sample you want, must be 1, 2, 4, or 8

start_samp # sample number to start reading at
len_samp   # number of samples to read

实际的代码非常简单。如果要提取整个文件，可以删除 start_samp、len_samp 和 'trim' 内容。

import subprocess # need the subprocess module
import numpy as NP # I'm lazy and call numpy NP

cmd = [SOX_EXEC,
       filename,              # input filename
       '-t','raw',            # output file type raw
       '-e','signed-integer', # output encode as signed ints
       '-L',                  # output little endin
       '-b',str(out_byps*8),  # output bytes per sample
       '-',                   # output to stdout
       'trim',str(start_samp)+'s',str(len_samp)+'s'] # only extract requested part 

data = NP.fromstring(subprocess.check_output(cmd),'<i%d'%(out_byps))
data = data.reshape(len(data)/num_channels, num_channels) # make samples x channels

PS：这是使用 sox 从音频文件头中读取内容的代码...

    info = subprocess.check_output([SOX_EXEC,'--i',filename])
    reading_comments_flag = False
    for l in info.splitlines():
        if( not l.strip() ):
            continue
        if( reading_comments_flag and l.strip() ):
            if( comments ):
                comments += '\n'
            comments += l
        else:
            if( l.startswith('Input File') ):
                input_file = l.split(':',1)[1].strip()[1:-1]
            elif( l.startswith('Channels') ):
                num_channels = int(l.split(':',1)[1].strip())
            elif( l.startswith('Sample Rate') ):
                sample_rate = int(l.split(':',1)[1].strip())
            elif( l.startswith('Precision') ):
                bits_per_sample = int(l.split(':',1)[1].strip()[0:-4])
            elif( l.startswith('Duration') ):
                tmp = l.split(':',1)[1].strip()
                tmp = tmp.split('=',1)
                duration_time = tmp[0]
                duration_samples = int(tmp[1].split(None,1)[0])
            elif( l.startswith('Sample Encoding') ):
                encoding = l.split(':',1)[1].strip()
            elif( l.startswith('Comments') ):
                comments = ''
                reading_comments_flag = True
            else:
                if( other ):
                    other += '\n'+l
                else:
                    other = l
                if( output_unhandled ):
                    print >>sys.stderr, "Unhandled:",l
                pass

Answer 5

Audiolab 在 Ubuntu 9.04 和 Python 2.6.2 上为我工作，所以这可能是 Windows 的问题。在您的论坛链接中，作者还暗示这是一个 Windows 错误。

过去，这个选项也对我有用：

from scipy.io import wavfile
fs, data = wavfile.read(filename)

请注意 data 可能具有 int 数据类型，因此它不会在 [-1,1) 范围内缩放。例如，如果 data 是 int16，则必须将 data 除以 2**15 才能在 [-1,1) 范围内缩放。