Question

我正在尝试编写一个显示PCM数据的程序。我一直非常沮丧地试图找到一个具有正确抽象级别的库，但我找到了python wave库并且一直在使用它。但是，我不确定如何解释数据。

wave.getparams函数返回（2个通道，2个字节，44100 Hz，96333帧，无压缩，无压缩）。这一切看起来都很愉快，但后来我尝试打印一个帧：'\ xc0 \ xff \ xd0 \ xff'这是4个字节。我想一个帧可能是2个样本，但模糊不会在那里结束。

96333帧* 2个样本/帧*（1 / 44.1k秒/样本）= 4.3688秒

然而，iTunes报告时间接近2秒，基于文件大小和比特率的计算在2.7秒的范围内。这是怎么回事？

此外，我如何知道字节是有符号还是无符号？

非常感谢！

Answer 1

感谢您的帮助！我得到了它的工作，我会在这里发布解决方案供所有人使用，以防其他一些可怜的灵魂需要它：

import wave
import struct

def pcm_channels(wave_file):
    """Given a file-like object or file path representing a wave file,
    decompose it into its constituent PCM data streams.

    Input: A file like object or file path
    Output: A list of lists of integers representing the PCM coded data stream channels
        and the sample rate of the channels (mixed rate channels not supported)
    """
    stream = wave.open(wave_file,"rb")

    num_channels = stream.getnchannels()
    sample_rate = stream.getframerate()
    sample_width = stream.getsampwidth()
    num_frames = stream.getnframes()

    raw_data = stream.readframes( num_frames ) # Returns byte data
    stream.close()

    total_samples = num_frames * num_channels

    if sample_width == 1: 
        fmt = "%iB" % total_samples # read unsigned chars
    elif sample_width == 2:
        fmt = "%ih" % total_samples # read signed 2 byte shorts
    else:
        raise ValueError("Only supports 8 and 16 bit audio formats.")

    integer_data = struct.unpack(fmt, raw_data)
    del raw_data # Keep memory tidy (who knows how big it might be)

    channels = [ [] for time in range(num_channels) ]

    for index, value in enumerate(integer_data):
        bucket = index % num_channels
        channels[bucket].append(value)

    return channels, sample_rate

Answer 2

“双声道”意味着立体声，因此总和每个声道的持续时间是没有意义的 - 所以你关闭了两倍（2.18秒，而不是4.37）。至于签名，如例如here所解释，我引用：

8位样本存储为无符号字节，范围从0到255. 16位样本存储为2的补码有符号整数，范围从-32768 至32767。

这是WAV格式规范的一部分（实际上是其超集RIFF），因此不依赖于您用来处理WAV文件的库。

Answer 3

我知道答案已经被接受了，但是我前段时间做了一些关于音频的事情，你必须解开波浪做这样的事情。

pcmdata = wave.struct.unpack("%dh"%(wavedatalength),wavedata)

另外，我使用的一个包叫做PyAudio，虽然我仍然需要使用wave包。

Answer 4

每个样本为16位且有2个通道，因此帧需要4个字节

Answer 5

持续时间只是帧数除以每秒帧数。根据您的数据，这是：96333 / 44100 = 2.18 seconds。

Answer 6

在this answer的基础上，使用numpy.fromstring或numpy.fromfile可以提升效果。另请参阅this answer。

这是我做的：

def interpret_wav(raw_bytes, n_frames, n_channels, sample_width, interleaved = True):

    if sample_width == 1:
        dtype = np.uint8 # unsigned char
    elif sample_width == 2:
        dtype = np.int16 # signed 2-byte short
    else:
        raise ValueError("Only supports 8 and 16 bit audio formats.")

    channels = np.fromstring(raw_bytes, dtype=dtype)

    if interleaved:
        # channels are interleaved, i.e. sample N of channel M follows sample N of channel M-1 in raw data
        channels.shape = (n_frames, n_channels)
        channels = channels.T
    else:
        # channels are not interleaved. All samples from channel M occur before all samples from channel M-1
        channels.shape = (n_channels, n_frames)

    return channels

如果需要将数据复制到内存中，则为shape赋予新值将引发错误。这是一件好事，因为你想要使用数据（使用更少的时间和总体内存）。如果可能，ndarray.T函数也不会复制（即返回视图），但我不确定你确保它不会复制的方式。

使用np.fromfile直接从文件中读取会更好，但您必须使用自定义dtype跳过标题。我还没试过这个。

解释WAV数据

6 个答案: