解释 WAV 数据

Question

我正在尝试编写一个程序来显示 PCM 数据。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 库并一直在使用它。但是，我不确定如何解释这些数据。

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'，它是 4 个字节。我想一帧可能是 2 个样本，但歧义还不止于此。

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

但是，iTunes 报告的时间接近 2 秒，并且基于文件大小和比特率的计算大约为 2.7 秒。这是怎么回事？

另外，我如何知道字节是有符号的还是无符号的？

非常感谢！

Answer 1

“双声道”意味着立体声，因此对每个声道的持续时间进行求和是没有意义的——因此您的偏差是两倍（2.18 秒，而不是 4.37）。至于签名，如此处所述，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 2

我知道答案已经被接受，但我不久前用音频做了一些事情，你必须解压波形来做这样的事情。

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

另外，我使用的一个包称为 PyAudio，尽管我仍然必须使用 wave 包。

Answer 3

每个样本为 16 位，有 2 个通道，因此帧占用 4 个字节

Answer 4

持续时间就是帧数除以每秒的帧数。根据您的数据，这是：96333 / 44100 = 2.18 秒。

Answer 5

基于这个答案，您可以通过使用numpy.fromstring 或 numpy.fromfile。另请参阅此答案。

这就是我所做的：

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，则为形状分配新值将引发错误。这是一件好事，因为您希望就地使用数据（总体上使用更少的时间和内存）。如果可能的话，ndarray.T 函数也不会复制（即返回视图），但我不确定如何确保它不会复制。

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

Answer 6

感谢您的帮助！我让它工作了，我将在这里发布解决方案供每个人使用，以防其他可怜的灵魂需要它：

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