以前我們介紹過(guò) moviepy，它是一個(gè)處理視頻的第三方庫(kù)，基于 ffmpeg。那么本次來(lái)分享一個(gè)處理音頻的庫(kù) pydub，它同樣是對(duì) ffmpeg 進(jìn)行的一個(gè)封裝。

既然是封裝，那就說(shuō)明實(shí)際處理音頻的還是 ffmpeg，所以 pip install pydub 之后，我們還要安裝 ffmpeg，直接去官網(wǎng)下載即可。

然后將這些可執(zhí)行文件所在的目錄配置到環(huán)境變量中就可以了。

打開音頻文件

音頻有很多種格式，比如 wav、mp3、ogg 等等，只要是 ffmpeg 支持的文件格式都可以打開，而 ffmpeg 基本支持所有主流的音頻格式。

from pydub import AudioSegment

# 打開 mp3 文件
AudioSegment.from_mp3("1.mp3")
# 打開 wav 文件
AudioSegment.from_wav("1.wav")
# 打開 ogg 文件
AudioSegment.from_ogg("1.ogg")

# 以上所有方法都調(diào)用了 from_file，等價(jià)于
AudioSegment.from_file("1.mp3", "mp3")
AudioSegment.from_file("1.wav", "wav")
AudioSegment.from_file("1.ogg", "ogg")
# 由于 mp3、wav、ogg 文件很常見，所以有單獨(dú)的方法
# 但還有不常見的音頻格式，比如蘋果手機(jī)自帶的錄音軟件導(dǎo)出的就是 m4a 格式
# 此時(shí)就只能使用 from_file 打開了
AudioSegment.from_file("1.m4a", "m4a")

注意：在讀取文件的時(shí)候，格式一定要匹配，否則報(bào)錯(cuò)。舉個(gè)例子：

from pydub import AudioSegment

try:
    AudioSegment.from_wav("高梨康治 - 百鬼夜行.mp3")
except Exception as e:
    print(e)
"""
Decoding failed. ffmpeg returned error code: 1

Output from ffmpeg/avlib:

b'...Invalid data found when processing input\r\n
"""

我們的音頻是 mp3 格式的，但是卻調(diào)用了 from_wav，所以會(huì)報(bào)錯(cuò)。當(dāng)然也不要覺得將文件擴(kuò)展名改成 wav 就萬(wàn)事大吉了，因?yàn)槲募念愋腿Q于它存儲(chǔ)的字節(jié)流，而不是擴(kuò)展名。

from pydub import AudioSegment

song = AudioSegment.from_mp3("高梨康治 - 百鬼夜行.mp3")
print(song) 
"""
<pydub.audio_segment.AudioSegment object at 0x0000021782910C40>
"""

返回的是一個(gè) AudioSegment 對(duì)象，它就是音頻讀取之后的結(jié)果，通過(guò)該對(duì)象我們可以對(duì)音頻進(jìn)行各種操作，比如增加音量、淡入淡出等等。

并且這些操作都是鏈?zhǔn)降?，每一個(gè)操作都會(huì)返回一個(gè)新的對(duì)象，不會(huì)修改原來(lái)的對(duì)象。所以我們?cè)诓僮鞯臅r(shí)候，可以一直寫下去，比如 song.xxx.xxx，不用每一次操作都重新賦值一個(gè)變量。

注意：pydub 做的任何操作，只要和時(shí)間相關(guān)，那么單位都是毫秒。

下面我們來(lái)看看它都支持哪些操作。

截取某一個(gè)片段

# 截取前 5 秒
first_5_seconds = song[: 5 * 1000]

# 截取后 5 秒
last_5_seconds = song[-5000:]

返回的都是新的 AudioSegment 對(duì)象，保存之后正好是原始音頻文件的前 5 秒和后 5 秒，關(guān)于保存文件后面會(huì)說(shuō)。

音量增加和減小

# 聲音增大 9 分貝
first_5_seconds = first_5_seconds + 9

# 聲音減小 7 分貝
last_5_seconds = last_5_seconds - 7

怎么樣，是不是非常簡(jiǎn)單呢？

音頻拼接

song_first_last = first_5_seconds + last_5_seconds

此時(shí) song_first_last 就是由原始音頻的前 5 秒放大 9 分貝，和原始音頻的后 5 秒減小 7 分貝組合而成的新的音頻（AudioSegment 對(duì)象）。

淡入淡出

song_first_last = first_5_seconds.append(last_5_seconds, crossfade=1500)

調(diào)用 append 也相當(dāng)于將音頻組合在一起，但是這種方式可以增加一些淡入淡出的效果。當(dāng)然我們也可以手動(dòng)實(shí)現(xiàn)：

song_first_last = first_5_seconds.fade_in(2000) + last_5_seconds.fade_out(3000)

前 5 秒和后 5 秒拼接起來(lái)得到 10 秒鐘的音頻，并且前 2 秒淡入，后 3 秒淡出。

重復(fù)

repeat_5 = song[: 3000] * 5

將前 3 秒重復(fù)了 5 遍，等于把 song[: 3000] 重復(fù)相加 5 次。

反轉(zhuǎn)音頻

song_reverse = song.reverse()

兩個(gè)音頻重疊播放

from pydub import AudioSegment

song1 = AudioSegment.from_ogg("臺(tái)詞.ogg")
song2 = AudioSegment.from_ogg("背景音樂(lè).ogg")
# 將 song1 和 song2 合并在一起
# 并且在 song1 的 5 秒后，開始播放 song2，position 默認(rèn)為 0
song1.overlay(song2, positinotallow=5000)

聲道分離

from pydub import AudioSegment

song = AudioSegment.from_ogg("高梨康治 - 百鬼夜行.mp3")
# 聲道的分離，得到兩個(gè)不同聲道對(duì)應(yīng)的 AudioSegment 對(duì)象
left_channel, right_channel = song.split_to_mono()

獲取音頻的某一幀

song.get_frame(1)  # 獲取第一幀

獲取音頻屬性

采樣頻率：又被稱作取樣頻率，是單位時(shí)間內(nèi)的采樣次數(shù)，決定了數(shù)字化音頻的質(zhì)量。采樣頻率越高，數(shù)字化音頻的質(zhì)量越好，還原的波形越完整，播放的聲音越真實(shí)，當(dāng)然所占的大小也就越大。根據(jù)奎特采樣定理，要從采樣中完全恢復(fù)原始信號(hào)的波形，采樣頻率要高于聲音中最高頻率的兩倍。人耳可聽到的聲音的頻率范圍是在 16 赫茲到 20 千赫茲之間，因此要將聽到的原聲音真實(shí)地還原出來(lái)，采樣頻率必須大于 40千赫茲。而 44千赫茲 的音頻可以達(dá)到 CD 的音質(zhì)，當(dāng)然可以更高，只不過(guò)高于 48 千赫茲 的采樣頻率人耳很難分別，沒(méi)有實(shí)際意義。

采樣位數(shù)：也叫量化位數(shù)(單位：比特)，是存儲(chǔ)每個(gè)采樣值所用的二進(jìn)制位數(shù)，采樣值反映了聲音的波動(dòng)狀態(tài)，采樣位數(shù)決定了量化精度。采樣位數(shù)越長(zhǎng)，量化的精度就越高，還原的波形曲線越真實(shí)，產(chǎn)生的量化噪音越小，回放的效果越真實(shí)。常用的量化位數(shù)有 4、8、12、16、24等等，量化位數(shù)與聲卡的位數(shù)和編碼有關(guān)。

聲道數(shù)：使用的聲音通道的個(gè)數(shù)，也是采樣時(shí)所產(chǎn)生的聲音波形個(gè)數(shù)。播放聲音時(shí)，單聲道的 wav 一般使用一個(gè)喇叭發(fā)聲，立體聲的 wav 可以使用兩個(gè)喇叭發(fā)聲。記錄聲音時(shí)，單聲道每次產(chǎn)生一個(gè)波形的數(shù)據(jù);雙聲道每次產(chǎn)生兩個(gè)波形的數(shù)據(jù)，當(dāng)然最終音頻所占的存儲(chǔ)空間也會(huì)增加一倍。

比特率：比特率是指每秒傳送的比特(bit)數(shù)，單位為 bps(Bit Per Second)，比特率越高，傳送的數(shù)據(jù)越大。在音頻、視頻領(lǐng)域，比特率又被稱為碼率、位率、位速(這四個(gè)老鐵是同一個(gè)東西，只是不同領(lǐng)域、不同翻譯造就了這么多的名詞)。比特率表示經(jīng)過(guò)編碼(壓縮)后的音、視頻數(shù)據(jù)每秒鐘需要用多少個(gè)比特來(lái)表示。比特率與音、視頻壓縮的關(guān)系，簡(jiǎn)單來(lái)說(shuō)就是比特率越高，音頻、視頻的質(zhì)量就越好，但編碼后的文件就越大;如果比特率越少則情況剛好相反，比特率 = 采樣頻率 * 采樣位數(shù) * 聲道數(shù)。

from pydub import AudioSegment

song = AudioSegment.from_mp3("高梨康治 - 百鬼夜行.mp3")

# 聲道數(shù), 1 表示單聲道, 2 表示雙聲道
print(song.channels)  # 2

# 采樣寬度, 采樣位數(shù)除以 8 就是采樣寬度了, 因?yàn)橐粋€(gè)字節(jié)有 8 位
# 同理采樣寬度乘以 8 就是采樣位數(shù)，當(dāng)前音頻是 16 位的
print(song.sample_width)  # 2
print(song.sample_width * 8)  # 16

# 采樣頻率, 采樣頻率等于幀速率
print(song.frame_rate)  # 44100

# 塊對(duì)齊之后的大小, 或者一幀的字節(jié)數(shù)
# 等于 通道數(shù) * 采樣位數(shù) / 8, 或者 通道數(shù) * 采樣寬度
print(song.frame_width)  # 4
print(song.channels * song.sample_width)  # 4

# 字節(jié)率, 等于 采樣頻率 * 聲道數(shù)量 * 采樣寬度(采樣位數(shù) / 8), 可以直接計(jì)算得到
print(song.frame_rate * song.channels * song.sample_width)  # 176400

# 時(shí)長(zhǎng)(單位秒)
print(song.duration_seconds)  # 87.8225850340136

# 幀數(shù)目
print(song.frame_count())  # 3872976.0

# 原始的音頻數(shù)據(jù), 不打印了
song.raw_data

音頻導(dǎo)出

from pydub import AudioSegment

song = AudioSegment.from_mp3("高梨康治 - 百鬼夜行.mp3")
song.export("百鬼夜行.wav", "wav")

指定文件名和保存的類型即可，注意：第二個(gè)參數(shù)表示保存的音頻的類型，必須要指定正確。如果不指定那么默認(rèn)是 mp3，即便我們第一個(gè)參數(shù)的文件名結(jié)尾是 .wav，但是保存的時(shí)候仍是 mp3。

所以基于 pydub 可以很容易地實(shí)現(xiàn)音頻格式轉(zhuǎn)換。

修改屬性

from pydub import AudioSegment

song = AudioSegment.from_mp3("高梨康治 - 百鬼夜行.mp3")
print(song.channels)  # 2

# 將通道設(shè)置為 1, 然后導(dǎo)出
song.set_channels(1).export("高梨康治 - 百鬼夜行_1.mp3", "mp3")

# 重新讀取, 查看通道
print(
    AudioSegment.from_mp3(r"高梨康治 - 百鬼夜行_1.mp3").channels
)  # 1

1 表示單聲道，2 表示雙聲道，從單聲道轉(zhuǎn)成雙聲道不會(huì)有任何的改變，但從雙聲道轉(zhuǎn)成單聲道可能會(huì)導(dǎo)致質(zhì)量損失（當(dāng)左右聲道不同時(shí)）。

單聲道：只用一條音頻通道記錄聲音，是最古老、最基礎(chǔ)的聲音記錄方式。單聲道因?yàn)橹挥幸粭l音頻通道，所以我們的大腦接收的左右耳的信息沒(méi)有差異，聽覺系統(tǒng)就不會(huì)產(chǎn)生心理聲學(xué)的定位，所以不會(huì)有寬度及深度的差異。只能感受到聲音、音樂(lè)的前后位置及音色、音量的大小，而不能感受到聲音從左到右等橫向的移動(dòng)。效果相對(duì)于真實(shí)的自然聲來(lái)說(shuō)，是簡(jiǎn)單化的，是失真了的。所以聽出來(lái)的聲音干澀，沒(méi)有層次感，沒(méi)有現(xiàn)場(chǎng)感，一般用來(lái)聽新聞廣播，因?yàn)閱温暤佬盘?hào)簡(jiǎn)單不易丟失。原理是把來(lái)自不同方位的音頻信號(hào)混合后統(tǒng)一由錄音器材把它記錄下來(lái)，再由一只音箱進(jìn)行重放。

雙聲道：人們聽到聲音時(shí)可以根據(jù)左耳和右耳對(duì)聲音的相位差來(lái)判斷聲源的具體位置，在電路上它們往往各自傳遞的電信號(hào)是不一樣的。相當(dāng)于實(shí)現(xiàn)立體聲的原理，在空間放置兩個(gè)互成一定角度的揚(yáng)聲器，每個(gè)揚(yáng)聲器單獨(dú)由一個(gè)聲道提供信號(hào)。而每個(gè)聲道的信號(hào)在錄制的時(shí)候就經(jīng)過(guò)了處理，有些音樂(lè)就跟氣流一樣，從左到右再?gòu)挠业阶?，因?yàn)槭莾蓚€(gè)不同的聲道，當(dāng)一個(gè)聲道的響度比另一個(gè)聲道大的時(shí)候，我們就感覺聲音好像有了方向一樣。雙聲道立體感強(qiáng)，有音場(chǎng)，多用于音樂(lè)、CD 等專輯?；旧弦魳?lè)都是雙聲道，如果是單聲道的音樂(lè)，只能說(shuō)明音質(zhì)非常非常差。

注意：設(shè)置的話不要通過(guò)下面這種方式來(lái)設(shè)置。

from pydub import AudioSegment

song = AudioSegment.from_mp3("高梨康治 - 百鬼夜行.mp3")
song.channels = 1

因?yàn)橐粋€(gè)屬性變了，可能會(huì)影響其它的屬性，比如：幀大小，它等于 通道數(shù) 乘上 采樣寬度（采樣位數(shù) / 8），如果通道變了，那么幀大小也會(huì)受到影響。所以我們應(yīng)該通過(guò) pydub 提供的 API 來(lái)設(shè)置，內(nèi)部會(huì)自動(dòng)幫我們處理。

from pydub import AudioSegment

song = AudioSegment.from_mp3("高梨康治 - 百鬼夜行.mp3")
print(song.frame_rate)  # 44100

# 更改采樣頻率, 一般都是 44100, 我們可以修改為其它的值
# 注意: 并不是任意值都可以, 只能是 8000 12000 16000 24000 32000 44100 48000 之一
# 如果不是這些值當(dāng)中的一個(gè), 那么會(huì)當(dāng)中選擇與設(shè)置的值最接近的一個(gè)
# 比如我們?cè)O(shè)置 18000, 那么會(huì)自動(dòng)變成 16000
song.set_frame_rate(18000).export("高梨康治 - 百鬼夜行_1.mp3", "mp3")
print(
    AudioSegment.from_mp3(r"高梨康治 - 百鬼夜行_1.mp3").frame_rate
)  # 16000

采樣頻率等于幀速率，以赫茲為單位。增大這個(gè)值通常不會(huì)導(dǎo)致質(zhì)量的下降，但降低這個(gè)值一定會(huì)導(dǎo)致質(zhì)量的下降，因?yàn)楦叩膸俾室馕吨蟮念l響特征（即可以表示更高的頻率）。

除了通道數(shù)、采樣頻率之外，我們還可以設(shè)置采樣寬度（采樣位數(shù)除以 8），對(duì)于一個(gè)音頻而言能設(shè)置這些屬性已經(jīng)足夠了。像很多大廠提供的音頻識(shí)別服務(wù)，也會(huì)對(duì)音頻屬性有嚴(yán)格的限制，而限制的屬性也基本上就這些。無(wú)非是通道、采樣頻率、采樣位數(shù)等等。

from pydub import AudioSegment

song = AudioSegment.from_mp3("高梨康治 - 百鬼夜行.mp3")
print(song.sample_width)  # 2
song.set_sample_width(3).export("高梨康治 - 百鬼夜行_1.mp3", "mp3")
print(
    AudioSegment.from_mp3(r"高梨康治 - 百鬼夜行_1.mp3").sample_width
)  # 2

從打印的結(jié)果上來(lái)看，我們似乎沒(méi)有設(shè)置成功，因?yàn)檫@和音頻本身也是有相應(yīng)關(guān)系的?？赡芤纛l本身的采樣寬度就只能是 2，不過(guò)絕大部分音頻的采樣寬度都是 2，即采樣位數(shù)為 16。

export 的其它參數(shù)

我們看到原始的音頻有很多其它信息，比如作曲人、專輯等等，但是我們導(dǎo)出的沒(méi)有，那么可不可以設(shè)置呢。答案是可以的，在導(dǎo)出的時(shí)候加上一個(gè) tags 參數(shù)即可。

from pydub import AudioSegment

song = AudioSegment.from_mp3(r"高梨康治 - 百鬼夜行.mp3")
song.export("高梨康治 - 百鬼夜行_1.mp3",
            "mp3",
            tags={"artist": "古明地覺",
                  "album": "地靈殿專輯",
                  "title": "好聽的百鬼夜行",
                  "comments": "媽耶, 真好聽"})

再來(lái)看看效果。

其它的屬性可以單擊右鍵，然后點(diǎn)擊屬性查看。對(duì)了還有圖片，如果在導(dǎo)出的時(shí)候想要自定義封面的話，可以通過(guò) cover 參數(shù)，傳遞一個(gè)圖片文件地址即可。

另外，我們這里導(dǎo)出的文件要比原始文件小很多，原因在于比特率不一樣。原始的音頻的比特率是 320kbps，而我們導(dǎo)出的音頻的比特率要小很多。因?yàn)楸忍芈时硎疽纛l一秒所需的比特?cái)?shù)，比特率越小，顯然文件就越小。而我們?cè)趯?dǎo)出的時(shí)候也是可以修改比特率的：

song.export("高梨康治 - 百鬼夜行_1.mp3",
            "mp3",
            bitrate="320k")

以上就是 pydub 對(duì)音頻的一些常見操作，總的來(lái)說(shuō)支持的功能還是比較多的。如果你對(duì)音視頻處理感興趣，可以在這一領(lǐng)域深耕下去，因?yàn)樯孀阍擃I(lǐng)域的人確實(shí)不多。