1.一般的に使用されるツールとライブラリ

概要概要

wave これはPythonの標準モジュールです。Pythonでオーディオデータを処理するための2つの一般的なモジュールがあります。

librosa：オーディオ信号処理が得意で、numpyを使用してデータを内部に保存し、ファイルの読み取りと書き込みはサウンドファイルモジュールに依存します（mp3はサポートされていません）
pydub：基礎となるffmpeg読み取りおよび書き込みファイル、コードシンプル、カッティングサポート、フォーマット変換、ボリューム、ID3およびその他の一般的な機能、低しきい値に基づいています。（ffmpeg非常に強力なオープンソースのビデオ処理ソフトウェアです）

使用法の提案：毎日の使用pydubで十分であり、より強力な信号処理にはlibrosaが必要ですが、特定の数学的しきい値があり、信号処理の原理を理解し、フーリエ変換などの基本的なアルゴリズムを習得する必要があります。

波

waveこれはPythonの標準モジュールであり、Pythonオーディオ処理：waveはいくつかの簡単な紹介とソースコードを記録しました

pydub

Pydubを使用すると、愚かではない方法でオーディオに何かを行うことができます

pydubオーディオファイルを処理できますが、Pydubはネイティブwav格式ファイル処理のみをサポートしています。したがって、オーディオを他の形式で処理する場合、またはオーディオをメディアファイルで処理する場合は、FFmpegサポートをローカルにインストールする必要があります。

多くのシンプルで実用的なコードサンプルが公式ドキュメントに記録されています：APIドキュメント

pydubのAudioSegment（）は変更不可能なオブジェクトであり、音量の増減、オーディオのマージ、オーディオの読み取り時間、オーディオの傍受などの操作オブジェクトが豊富に含まれています。複数のオーディオを処理する場合は、最初に、チャネル数、フレームレート、サンプルレート、ビット深度などが同じであることを確認してください。

以下は、すべての基本的な使用法の簡単な記録です。

AudioSegment（…）.from_file（）、オーディオを開き、AudioSegmentインスタンスを返します
AudioSegment（...）。export（）、AudioSegmentをファイルに書き込みます。
AudioSegment.empty（）は、空の（持続時間がゼロの）AudioSegmentを作成します。
AudioSegment.silent（）、サイレントオーディオセグメントを作成します
複数のシングルチャネルオーディオの融合であるAudioSegment.from_mono_audiosegments（）は、フレームのタイミングが開始されるまで、各シングルチャネルオーディオの長さが同じである必要があることに注意してください。
AudioSegment（...）。dBFSは、dBFSで測定されたサウンドラウドネスを返します（可能な最大ラウドネスに対するdb）。
AudioSegment（…）.rms、rmsによって測定されたラウドネスを返します
AudioSegment（…）.channels
AudioSegment（…）.sample_width
AudioSegment（…）.frame_rate
AudioSegment（…）.frame_width
AudioSegment（…）.max、オーディオの最大振幅を返します
AudioSegment（…）.max_dBFS、オーディオの最大振幅をdBFSで返します
AudioSegment（…）.duration_seconds、オーディオの持続時間を返します。単位はミリ秒（ミリ秒）です。
AudioSegment（…）.raw_data、元のオーディオを返します
AudioSegment（…）.frame_count（）は、フレーム数を返します
AudioSegment（…）.append（）、オーディオのマージ、たとえばcombined = sound1.append(sound2)、デフォルトのクロスフェード= 100ms
AudioSegment（...）。overlay（）、オーディオでオーバーレイしますが、余分な部分は切り取られます。（調査予定）
AudioSegment（...）。apply_gain（gain）、振幅（通常はラウドネス）を変更します。ここで、Gainの単位はdBです。
より一般的な（より柔軟な）フェードメソッドであるAudioSegment（...）。fade（）では、開始点と終了点、または開始点と期間などのパラメーターを設定できます。
AudioSegment（…）.fade_out（）、フェードアウト
AudioSegment（…）.fade_in（）、フェードイン
AudioSegment（…）.reverse（）、逆再生のコピーを生成します
AudioSegment（…）.set_frame_rate（）、指定されたフレームレートを設定します。単位はHzです。
AudioSegment（…）.set_channels（）
AudioSegment（…）.split_to_mono（）、チャンネルを分割
AudioSegment（…）.apply_gain_stereo（）、ステレオの左右のチャンネルにゲインを追加します（ゲイン）
AudioSegment（…）.pan（）、-1.0（左100％）や+1.0（右100％）などのパンパラメータを設定します
AudioSegment（...）。get_array_of_samples（）は、元のオーディオデータを（数値の）サンプルの配列として返します
AudioSegment（...）。get_dc_offset（）は、チャネルのDCオフセットを示す-1.0〜1.0の値を返します。
AudioSegment（...）。remove_dc_offset（）、チャネルからDCオフセットを削除します
AudioSegment（...）。invert_phase（）、このオーディオセグメントをコピーし、信号の位相を反転します。

追加されていないドキュメントがまだいくつかあります。

ここに画像の説明を挿入

他の人が要約したいくつかの使用法も、参考のために以下に記録されています。

# -*- coding: utf-8 -*-
# @Author  : FELIX
# @Date    : 2018/5/18 15:13

from pydub import AudioSegment

sound=AudioSegment.from_file("aaa.mp3","mp3")
sound2=AudioSegment.from_file('bbb.mp3','mp3')
# 把一个多声道音频分解成两个单声道
# index[0]为左声道
# index[1]为右声道
# sounds=sound.split_to_mono()
# print(sounds)


# 将两个单声道合并成多声道
# stereo_sound = AudioSegment.from_mono_audiosegments(sounds[0], sounds[1])



# # 取得音频的分贝数
# loudness = sound.dBFS
# print(loudness)
# # 获取音频音量大小，该值通常用来计算分贝数（dB= 20×lgX）
# loudness = sound.rms
# print(loudness)
# # 取得音频的声道数
# channel_count = sound.channels
# print(channel_count)
# # 取得音频文件采样宽度
# bytes_per_sample = sound.sample_width
# print(bytes_per_sample)
#
# # 取得音频文件采样频率
# frames_per_second = sound.frame_rate
# print(frames_per_second)
# #取得音频文件帧宽度
# bytes_per_frame = sound.frame_width
# print(bytes_per_frame)
#
# #取得音频中的最大振幅
# normalized_sound = sound.apply_gain(-sound.max_dBFS)
# print(normalized_sound)
# #取得音频的持续时间，同 len()
# print(sound.duration_seconds)
# print((len(sound) / 1000.0))
# #取得音频数据
# raw_audio_data = sound.raw_data
# # print(raw_audio_data)
# #取得音频的frame数量
# number_of_frames_in_sound = sound.frame_count()
# number_of_frames_in_200ms_of_sound = sound.frame_count(ms=200)
# print(number_of_frames_in_sound)
# print(number_of_frames_in_200ms_of_sound)

# 拼接sound1与sound2，返回一个新的AudioSegment实例
# cossfade：交叉渐变间隔 ms
# no_crossfade1 = sound.append(sound2, crossfade=5000)
# print(no_crossfade1)
# no_crossfade1.export(r'cc.wav',format='wav') # 输出

# 把sound2覆盖在sound1上，两个音频文件会叠加，如果sound2较长，则会被截断。
# 参数：
# position：覆盖起始位置（毫秒）
# loop：是否循环覆盖（true/false）
# times：重复覆盖次数（默认1）
# gain_during_overlay：调整被覆盖音频的音量（eg，-6.0）
# played_togther = sound.overlay(sound2)
# # sound2_starts_after_delay = sound.overlay(sound2, position=5000)
# # volume_of_sound1_reduced_during_overlay = sound.overlay(sound2, gain_during_overlay=-8)
# # sound2_repeats_until_sound1_ends = sound.overlay(sound2, loop=True)
# # sound2_plays_twice = sound.overlay(sound2, times=2)
# played_togther.export(r'dd.wav',format='wav') # 输出



#调整音量大小
# louder_via_method = sound.apply_gain(+3.5) # 提高
# quieter_via_method = sound.apply_gain(-5.7) # 减小


#淡出
# 参数：
# to_gain：淡出结束时音频音量下降到的分贝数
# from_gain：设置淡出前的所有音频分贝数
# start：淡出的起始位置
# end：淡出的结束位置
# duration：淡出持续时间
# fade_in_the_hard_way = sound.fade(from_gain=-120.0, start=0, duration=5000)
# fade_out_the_hard_way = sound.fade(to_gain=-120.0, end=0, duration=5000)

# 反向输出
# sound.reverse().export(r'ee.wav',format='wav') # 输出

# 调整多声道音频的左右声道音量
# 如果单声道音频调用此方法，它将先被转换为多声道
# stereo_balance_adjusted = sound.apply_gain_stereo(-6, +2)
#
# #左右声道平衡，按百分比增大一边，减小另一边
# # pan the sound 15% to the right
# panned_right = sound.pan(+0.15)
# # pan the sound 50% to the left
# panned_left = sound.pan(-0.50)
#
#
# # 基于DSP的渲染
# # 产生一个反向信号的副本，来消除反相位波，或者降低噪音
# sound.invert_phase()

Pythonを使用してオーディオ処理を行う・一般的な章（継続的な更新）

Pythonオーディオ処理

1.一般的に使用されるツールとライブラリ

概要概要

波

pydub

本

ffmpeg

pyaudio（そしてこれ、最初に穴を掘る）

2.その他の一般的な処理の概要

おすすめ