Python处理音频文件的实用姿势

每天叫醒我的不是理想，是楼下广场舞的音乐。

音乐是人类的通用语言，不分国界不分种族。

抖音短视频爆火的关键因素之一，就是普通人也能便捷地使用BGM表达自我。

从感性角度看，音乐可以有很多种解释，如：

音乐是有逻辑的声音。
音乐是以声音和时间为材料的艺术。
音乐是思想情感的表达，是精神的延续。
……

而从数学角度看，音乐就是时间和频率的关系。

声音的本质是波，人类听觉的原理就是波引起了耳朵鼓膜的振动。

人们用不同乐器、不同力度，在一段连续时间里敲击，就组合出了时间和频率的关系。

一切物体都有自己的频率，所以整个世界也可以理解为一篇乐章。

当音乐被计算机数字化后，我们就可以用文件的形式保存它。但现实世界的声音是连续的，而计算机世界是离散（由0和1组成）的。想要用计算机捕捉声音，就得把连续信息转为离散的数据，这个过程就是信号的“模数转化”。

处理过程中最关键的参数就是“采样率”，即每秒钟用多少份数据表达声音信号。此外每份数据大小以及声道数，与采样率一起，决定了保存后声音和原声间的差距。

和图像一样，音乐也有很多种压缩算法。所谓“无损音乐”，就是确保源文件信息不丢失情况下压缩数据，常见格式如flac、ape、wav；更常见的音乐格式是mp3，是一种有损压缩格式，虽然老旧，但依旧流行。

Python标准模块wave支持wav文件读写，但涉及到压缩算法时，都需要借助外部模块。其中功能最全也最流行的就是ffmpeg，它是开源视频处理软件，支持绝大多数的音视频格式编码，被广泛引用于各大视频网站和商业软件。

ffmpeg

ffmpeg安装

ffmpeg需要独立安装，网上大部分教程都已过时，最好参考官方文档。

比如在MacOS上通过Homebrew的安装方法：

brew install ffmpeg
brew tap homebrew-ffmpeg/ffmpeg
brew install homebrew-ffmpeg/ffmpeg/ffmpeg

以上就是ffmepg的完全安装，也可以根据自己需要定制选项：

查看可选项：brew options homebrew-ffmpeg/ffmpeg/ffmpeg
安装关联选项：brew install homebrew-ffmpeg/ffmpeg/ffmpeg --with-libvorbis --with-sdl2 --with-theora

安装完后，通过ffprobe可以获取音视频文件的详细信息：ffprobe -i 音视频文件。

ffmpeg基本使用

通过ffmpeg命令可以对音视频文件进行格式转换、拼接、切割、放大缩小、提取图片/音频/字幕等操作。

ffmpeg的命令格式：

$ ffmpeg [全局选项] {[输入文件选项] -i 输入_url_地址} {[输出文件选项] 输出_url_地址} ...

其中，常用命令行参数如下：

-c：指定编码器
-c copy：直接复制不编码更快
-c:v：指定视频编码器
-c:a：指定音频编码器
-i：指定输入文件
-an：去除音频流
-vn：去除视频流
-preset：指定输出视频质量

使用ffmpeg -formats可列出支持的文件格式。

比如，想要转换音视频文件格式：

$ ffmpeg -i video.mp4 video.avi

比如要从视频里提取音频：

$ ffmpeg -i input.mp4 -vn output.mp3

音视频几乎所有的基本剪辑操作都可以用ffmpeg完成。ffmpeg养活了不少视频剪辑软件公司。

音频处理场景

如果仅仅是需要批量转格式，或者按固定标准剪辑音视频，ffmpeg足够应付，最多就是多些几行shell命令，比如增加个循环实现批量文件处理。

但如果涉及到对音视频内容处理，如实现视频效果、提取音频高潮等场景，就需要借助三方模块了。

Python处理音频数据等常见模块有2个：

librosa，擅长音频信号处理，内部用numpy存储数据，读写文件依赖soundfile模块（不支持mp3）。
pydub，底层基于ffmpeg读写文件，代码简洁，支持切割、格式转换、音量、ID3等常用功能，门槛低。

模块安装：

pip install librosa
pip install pydub

使用建议：日常用pydub足够应付，更强大的信号处理则需要librosa，但有一定数学门槛，需要了解信号处理原理，掌握傅立叶变换等基本算法。

本文重点介绍pydub模块使用，包括如下常见音频处理场景：

基本操作：切割、合并、音量增减、过渡效果
提取背景音乐：从视频提取音频、说话声与背景音乐分离
提取音乐高潮
语音智能处理：语音识别、合成、克隆

基本操作

pydub最核心的类是AudioSegment，几乎包含所有基本操作。

pydub基本文件读写

import pathlib
import pydub
from pydub import AudioSegment
from pydub.utils import mediainfopath = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/007audio')
mp3_path = path.joinpath('1.mp3')
out_path = path.joinpath('007audio_pydub_export.mp3')
# 默认采样率44100Hz
snd = AudioSegment.from_mp3(mp3_path)
info = mediainfo(mp3_path)
print(info) # ID3信息
print(snd.duration_seconds, snd.frame_rate) # 音频时长，采样率
snd.export(out_path, format='mp3', bitrate='32k') # 转成mp3格式

切割、合并、音量、过渡效果

import pathlib
from pydub import AudioSegmentpath = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/007audio')
mp3_path = path.joinpath('1.mp3')
cover_path = path.joinpath('cover.jpg')
snd = AudioSegment.from_mp3(mp3_path)
# 获取时长、分贝数、采样率
print(snd.duration_seconds, snd.dBFS, snd.frame_rate)
# 剪30秒核心片段，单位为毫秒
snd_mid = snd[120000:150000]
# 调大音量，单位分贝
snd_mid += 6
# 剪最后30秒片段
snd_end = snd[-30000:]
# 淡入淡出效果
snd_final = snd_mid.append(snd_end, crossfade=1500)
# 重复一次
snd_final *= 2
# 淡入淡出效果
snd_final.fade_in(2000).fade_out(2000)
# 加上原始信息
tags={'artist': '程一初', 'album': '只差一个程序员了', 'comments': 'Come to Python1024!'}
# 导出文件
snd_final.export(path.joinpath('007audio_pydub_cut.mp3'), format='mp3', tags=tags, cover=str(cover_path))

提取背景音乐

如果只是提取视频里的音频，比较简单，分离保存即可。

但如果是想从音频里消除人声，只要背景音乐，就需要对音频内容做些处理。

一个假设：

一般背景音乐的左右声道不同，这样才有立体声效果；而人声左右声道相同。

所以，就像图像的去水印算法，我们可以用左声道叠加右声道的“反相”来消除人声，保留背景音乐。

“反相”是一种信号处理基本方式，对声音波中相位数据的操作。

import pathlib
from pydub import AudioSegmentpath = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/007audio')
# 提取音频
mp4_path = path.joinpath('2.mp4')
cover_path = path.joinpath('cover.jpg')
snd = AudioSegment.from_file(mp4_path)
tags={'artist': '程一初', 'album': '只差一个程序员了', 'comments': 'Come to Python1024!'}
snd.export(path.joinpath('007audio_pydub_from_video.mp3'), format='mp3', tags=tags, cover=str(cover_path))
# 提取背景音乐
mp4_path = path.joinpath('3.mp4')
snd = AudioSegment.from_file(mp4_path)
snd_l, snd_r = snd.split_to_mono()
snd_r_inv = snd_r.invert_phase() # 反相
bg_music = snd_l.overlay(snd_r_inv) # 覆盖后获得背景音乐，但有噪音
bg_music.export(path.joinpath('007audio_pydub_split_music.mp3'), format='mp3')

当然，也可以用ffmpeg命令实现，只不过不那么容易读懂。

$ ffmpeg -i 3.mp3 -af pan="stereo|c0=c0|c1=-1*c1" -ac 1 007audio_ffmpeg_bgmusic.mp3

这种算法只能针对符合假设的音频生效，如果需要更通用的场景，可以借助智能算法。

比如 spleeter就是一个利用已有机器训练模型来分离声音信号的模块，具体使用时支持3种声音分离模式：

2stems：人声和其他声音
4stems：人声、贝斯、鼓和其他声音
5stems：人声、贝斯、鼓、钢琴和其他声音

模块安装：pip install spleeter，注意：spleeter依赖numba的0.48版本。
安装好之后，可以直接用命令开始分离：

$ spleeter separate -i input.mp3 -p spleeter:2stems -o output

spleeter会自动下载对应的训练模型到当前目录的pretrained_models中，然后把分离后的音频保存在output文件夹内。

当然我们也可以在Python程序中调用：

import pathlib
from spleeter.separator import Separator
from spleeter.audio.adapter import get_default_audio_adapterpath = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/007audio')
mp3_path = path.joinpath('3.mp3')
out_path = path.joinpath('007audio_spleeter_out')
separator = Separator('spleeter:2stems')
audio_adapter = get_default_audio_adapter()
separator.separate_to_file(str(mp3_path),out_path,audio_adapter=audio_adapter,synchronous=False)

spleeter对于基本声音分离应用足够应付，但如果需求更复杂，或者对精准度要求更高，则需要借助一些平台API实现，毕竟平台会用更多数据训练出更精准的模型。

提取音乐高潮

短视频之所以火，其中一大因素就是让人“爽”的背景音乐，剪辑中经常需要提取音乐的高潮部分。

怎样识别音乐的高潮部分呢？音乐高潮最普遍也是最简单的特征就是：多次循环。

按这样的思路，可以从整首歌中，找出重复次数最多、间隔最长的片段。但真正做的时候，需要对音频信号处理有一定基础。

可以参考pychorus项目。该项目基于librosa实现了重复音频片段识别算法。

模块安装：pip install pychorus，使用如下：

import pathlib
from pychorus import find_and_output_choruspath = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/007audio')
mp3_path = path.joinpath('1.mp3')
out_path = path.joinpath('007audio_chorus_out.wav')
chorus_start_sec = find_and_output_chorus(mp3_path, out_path, 30)
print(chorus_start_sec)

语音智能处理

日常生活和工作中，我们经常碰到这样的情况：

在线学习课程时，希望有文字版，而不是拖沓的视频。
录制短视频，配音很繁琐，有时嗓子不舒服还影响进度。
想把短视频的解说语音换成自己喜欢的。

场景背后，分别对应不同的音频处理技术：

语音识别：从音频变文字。
语音合成：从文字变音频。
语音克隆：训练某人声音模型。

目前主流技术都是人工智能算法的应用。

训练模型需要海量数据和计算，但应用起来相对方便，就像之前我们利用已有训练模型去识别人脸。

目前最方便的实现方式，是利用大平台的API接口，有些平台还能提供类似“语音情绪识别”等高阶功能。

目前部分平台还提供这类接口的试用，相对成熟的如阿里云、百度AI、科大讯飞。

我们以阿里云为例，体验语音识别和语音合成。

首先准备基本的账号环境：

开通阿里云账号
开通智能语音交互服务，选择“免费试用”
开通OSS对象存储服务，用于上传文件到公网（可选）
创建一个身份凭证，用来访问阿里云资源。

接着，准备语音识别的环境：

在控制台创建语音智能交互项目，获得app_key
场景选择“通用”、“中文普通话”、“16K采样率”，并发布上线
安装阿里云SDK：pip install aliyun-python-sdk-core

准备好后，就能用access_key_id、access_key_secret、app_key调用语音服务了。

语音识别（Speech To Text，STT）

语音识别，就是把语音转为文字。视频可以提取语音后处理。

处理流程主要是3个步骤：

准备好录音文件，转为16K采样率的wav文件，上传到公网。
创建AcsClient实例，用access_key_id和access_key_secret授权，构建服务请求，获取任务ID。
凭任务ID去查询阿里云处理情况，收取结果。

一些注意点：

阿里云目前只支持16K/8K采样率、大小不超过10M的wav和mp3格式音频文件。
免费用户每日可识别不超过2小时的录音文件。
音频文件需要公网能访问，本例中使用阿里云OSS访问。
OSS上传可在控制台操作，也可通过OSS2模块，模块安装：pip install oss2

第一步：用oss上传文件到公网：

import pathlib
import time
import json
from pydub import AudioSegment
import oss2
from aliyunsdkcore.client import AcsClient
from aliyunsdkcore.request import CommonRequestpath = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/007audio')
mp3_path = path.joinpath('3.mp3')
out_path = path.joinpath('3_16k.wav')
out_txt_path = path.joinpath('007audio_stt.txt')
ACK_ID = '<你的access_key_id>'
ACK_SEC= '<你的access_key_secret>'
APP_KEY= '<你的app_key>'
bucket_path = pathlib.Path('https://python1024sh.oss-cn-shanghai.aliyuncs.com')
# 把文件转为16K采样率的mp3，只用一个声道
audio = AudioSegment.from_mp3(mp3_path)
mono = audio.set_frame_rate(16000).set_channels(1)
mono.export(out_path, format='wav', codec='pcm_s16le')
auth = oss2.Auth(ACK_ID, ACK_SEC) # 鉴权
bucket = oss2.Bucket(auth, 'https://oss-cn-shanghai.aliyuncs.com', 'python1024sh')
obj_name = f'demo/{file_path.name}'
res = bucket.put_object_from_file(obj_name, out_path)
file_url = f'https://python1024sh.oss-cn-shanghai.aliyuncs.com/{obj_name}' # 公网路径
print(file_url)

第二步：构建服务请求

client = AcsClient(ACK_ID, ACK_SEC, 'cn-shanghai')
post_req = CommonRequest()
post_req.set_domain('filetrans.cn-shanghai.aliyuncs.com')
post_req.set_version('2018-08-17')
post_req.set_product('nls-filetrans')
post_req.set_action_name('SubmitTask')
post_req.set_method('POST')
task = {'appkey': APP_KEY, 'file_link': file_url, 'version': '4.0', 'enable_words': False}
print(json.dumps(task))
post_req.add_body_params('Task', json.dumps(task))
task_id = ''
try:post_res = client.do_action_with_exception(post_req)post_res = json.loads(post_res)status_txt = post_res['StatusText']if status_txt == 'SUCCESS':task_id = post_res['TaskId']print (f'录音文件识别请求成功响应，task_id: {task_id}')else:print(f'录音文件识别请求失败: {status_txt}')
except Exception as e:print(e)

第三步：查询任务结果

get_req = CommonRequest()
get_req.set_domain('filetrans.cn-shanghai.aliyuncs.com')
get_req.set_version('2018-08-17')
get_req.set_product('nls-filetrans')
get_req.set_action_name('GetTaskResult')
get_req.set_method('GET')
get_req.add_query_param('TaskId', task_id)
status_txt = ''
while True:try:get_res = client.do_action_with_exception(get_req)get_res = json.loads(get_res)status_txt = get_res['StatusText']if status_txt in ['RUNNING', 'QUEUEING']:time.sleep(10) # 避免请求过于频繁else:breakexcept Exception as e:print(e)
if status_txt == 'SUCCESS':result = get_res["Result"]sentences = result["Sentences"]txt_list = [ s['Text'] for s in sentences]with open(out_txt_path, 'a') as f:f.writelines('\n'.join(txt_list))
else:print(f'录音文件识别失败, {status_txt}')

语音合成（Text To Speech，TTS）

目前不少短视频，都用了语音合成技术，可以选择发音人来朗读准备好的文稿。

TTS是自然语言处理技术的一种，阿里云提供了alibabacloud-nls-python-sdk模块方便调用服务。

不过该模块并未上传到PyPI，就不能用pip安装，可以从官网下载后手动安装。

下载后进入目录执行：python setup.py install即可。

处理流程也是3个步骤：

获取服务访问的凭证（Token）。
准备好回调函数，用来接收生成的音频文件。
创建并发送任务请求，等待远端执行完毕。

一些注意点：

“回调函数”就好比你去吃饭，付完款在一旁等叫号。
TTS服务用Token鉴权，要为子账号添加NLS服务访问权限。
传入文本不能超300字符，超过会被截断。
长文本另有接口，最高10万字，提供restful接口。

import pathlib
import json
from aliyunsdkcore.client import AcsClient
from aliyunsdkcore.request import CommonRequest
import ali_speech
from ali_speech.callbacks import SpeechSynthesizerCallback
from ali_speech.constant import TTSFormat
from ali_speech.constant import TTSSampleRatepath = list(pathlib.Path.cwd().parents)[1].joinpath('data/automate/007audio')
out_path = path.joinpath('007audio_stt.wav')
ACK_ID = '<你的access_key_id>'
ACK_SEC= '<你的access_key_secret>'
APP_KEY= '<你的app_key>'
# 开始获取Token
acs_client = AcsClient(ACK_ID, ACK_SEC, 'cn-shanghai')
req = CommonRequest()
req.set_method('POST')
req.set_domain('nls-meta.cn-shanghai.aliyuncs.com')
req.set_version('2019-02-28')
req.set_action_name('CreateToken')
res = acs_client.do_action_with_exception(req)
res = json.loads(res)
token = res['Token']['Id']class AudioCallback(SpeechSynthesizerCallback):# 回调函数，接受服务端数据返回def __init__(self, name):self._name = nameself._fout = open(name, 'wb')def on_binary_data_received(self, raw):self._fout.write(raw)def on_completed(self, message):print('Completed: %s' % message)self._fout.close()def on_task_failed(self, message):print('Failed，task_id:%s, status_text:%s' % (message['header']['task_id'], message['header']['status_text']))self._fout.close()
callback = AudioCallback(out_path)
# 开始发送任务请求
text = "程一初发表的文章，在公众号“只差一个程序员了”。"
client = ali_speech.NlsClient()
client.set_log_level('INFO')
synthesizer = client.create_synthesizer(callback)
synthesizer.set_appkey(APP_KEY)
synthesizer.set_token(token)
synthesizer.set_voice('Siqi')
synthesizer.set_text(text)
synthesizer.set_format(TTSFormat.WAV)
synthesizer.set_sample_rate(TTSSampleRate.SAMPLE_RATE_16K)
synthesizer.set_volume(50)
synthesizer.set_speech_rate(0)
synthesizer.set_pitch_rate(0)
try:ret = synthesizer.start()if ret < 0:print(ret)else:synthesizer.wait_completed()
except Exception as e:print(e)
finally:synthesizer.close()