以前我們介紹過 moviepy，它是一個處理視頻的第三方庫，基于 ffmpeg。那么本次來分享一個處理音頻的庫 pydub，它同樣是對 ffmpeg 進行的一個封裝。

既然是封裝，那就說明實際處理音頻的還是 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，所以有單獨的方法
# 但還有不常見的音頻格式，比如蘋果手機自帶的錄音軟件導出的就是 m4a 格式
# 此時就只能使用 from_file 打開了
AudioSegment.from_file("1.m4a", "m4a")

注意：在讀取文件的時候，格式一定要匹配，否則報錯。舉個例子：

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，所以會報錯。當然也不要覺得將文件擴展名改成 wav 就萬事大吉了，因為文件的類型取決于它存儲的字節(jié)流，而不是擴展名。

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 AudioSegment 對象，它就是音頻讀取之后的結果，通過該對象我們可以對音頻進行各種操作，比如增加音量、淡入淡出等等。

并且這些操作都是鏈式的，每一個操作都會返回一個新的對象，不會修改原來的對象。所以我們在操作的時候，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變量。

注意：pydub 做的任何操作，只要和時間相關，那么單位都是毫秒。

下面我們來看看它都支持哪些操作。

截取某一個片段

對音頻進行切片，這是一個非常常用的操作，一個長音頻，我們可能只要前 5 秒，或者后 5 秒等等。

# 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 對象，保存之后正好是原始音頻文件的前 5 秒和后 5 秒，關于保存文件后面會說。

音量增加和減小

我們可以讓音量放大和縮小，并且實現(xiàn)起來也非常簡單。

# 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，是不是非常簡單呢？

音頻拼接

估計有人猜到做法了，沒錯，直接相加即可。

song_first_last = first_5_seconds + last_5_seconds

此時 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 對象）。

淡入淡出

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

調(diào)用 append 也相當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。當然我們也可以手動實現(xiàn)：

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

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

片段重復

將一個片段重復 n 遍。

repeat_5 = song[: 3000] * 5

將前 3 秒重復了 5 遍，等于把 song[: 3000] 重復相加 5 次。

反轉(zhuǎn)音頻

說白了就是倒放。

song_reverse = song.reverse()

兩個音頻重疊播放

比如你有兩個音頻，一個是臺詞，一個是背景音樂，你需要將它們合并為一個音頻。

from pydub import AudioSegment

song1 = AudioSegment.from_ogg("臺詞.ogg")
song2 = AudioSegment.from_ogg("背景音樂.ogg")
# 將 song1 和 song2 合并在一起
# 并且在 song1 的 5 秒后，開始播放 song2，position 默認為 0
song1.overlay(song2, position=5000)

聲道分離

關于聲道，我們一會兒解釋。

from pydub import AudioSegment

song = AudioSegment.from_ogg("高梨康治 - 百鬼夜行.mp3")
# 聲道的分離，得到兩個不同聲道對應的 AudioSegment 對象
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

下面我們來獲取音頻的一些屬性，不過在獲取之前，先介紹一下音頻屬性的一些細節(jié)。

采樣頻率：又被稱作取樣頻率，是單位時間內(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，當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原始信號的波形，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地還原出來，采樣頻率必須大于 40千赫茲。而 44千赫茲 的音頻可以達到 CD 的音質(zhì)，當然可以更高，只不過高于 48 千赫茲 的采樣頻率人耳很難分別，沒有實際意義。

采樣位數(shù)：也叫量化位數(shù)（單位：比特），是存儲每個采樣值所用的二進制位數(shù)，采樣值反映了聲音的波動狀態(tài)，采樣位數(shù)決定了量化精度。采樣位數(shù)越長，量化的精度就越高，還原的波形曲線越真實，產(chǎn)生的量化噪音越小，回放的效果越真實。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。

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

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、視頻領域，比特率又被稱為碼率、位率、位速（這四個老鐵是同一個東西，只是不同領域、不同翻譯造就了這么多的名詞）。比特率表示經(jīng)過編碼（壓縮）后的音、視頻數(shù)據(jù)每秒鐘需要用多少個比特來表示。比特率與音、視頻壓縮的關系，簡單來說就是比特率越高，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, 因為一個字節(jié)有 8 位
# 同理采樣寬度乘以 8 就是采樣位數(shù)，當前音頻是 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), 可以直接計算得到
print(song.frame_rate * song.channels * song.sample_width)  # 176400

# 時長(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

音頻導出

我們對音頻進行了一些操作之后，怎么保存到本地呢？這也是關鍵的一部分，不然你處理完了沒有用啊。很簡單，直接調(diào)用 AudioSegment 對象的 export 方法即可。

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是 mp3，即便我們第一個參數(shù)的文件名結尾是 .wav，但是保存的時候仍是 mp3。

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

修改屬性

有時我們需要改變文件的格式，但有時也需要改變文件的屬性。比如某個 MP3 文件的采樣頻率有點高，我們需要降低一些，或者雙聲道變成單聲道等等，這個時候該怎么做呢？

from pydub import AudioSegment

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

# 將通道設置為 1, 然后導出
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)成雙聲道不會有任何的改變，但從雙聲道轉(zhuǎn)成單聲道可能會導致質(zhì)量損失（當左右聲道不同時）。

單聲道：只用一條音頻通道記錄聲音，是最古老、最基礎的聲音記錄方式。單聲道因為只有一條音頻通道，所以我們的大腦接收的左右耳的信息沒有差異，聽覺系統(tǒng)就不會產(chǎn)生心理聲學的定位，所以不會有寬度及深度的差異。只能感受到聲音、音樂的前后位置及音色、音量的大小，而不能感受到聲音從左到右等橫向的移動。效果相對于真實的自然聲來說，是簡單化的，是失真了的。所以聽出來的聲音干澀，沒有層次感，沒有現(xiàn)場感，一般用來聽新聞廣播，因為單聲道信號簡單不易丟失。原理是把來自不同方位的音頻信號混合后統(tǒng)一由錄音器材把它記錄下來，再由一只音箱進行重放。

雙聲道：人們聽到聲音時可以根據(jù)左耳和右耳對聲音的相位差來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是不一樣的。相當于實現(xiàn)立體聲的原理，在空間放置兩個互成一定角度的揚聲器，每個揚聲器單獨由一個聲道提供信號。而每個聲道的信號在錄制的時候就經(jīng)過了處理，有些音樂就跟氣流一樣，從左到右再從右到左，因為是兩個不同的聲道，當一個聲道的響度比另一個聲道大的時候，我們就感覺聲音好像有了方向一樣。雙聲道立體感強，有音場，多用于音樂、CD 等專輯?；旧弦魳范际请p聲道，如果是單聲道的音樂，只能說明音質(zhì)非常非常差。

注意：設置的話不要通過下面這種方式來設置。

from pydub import AudioSegment

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

因為一個屬性變了，可能會影響其它的屬性，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，那么幀大小也會受到影響。所以我們應該通過 pydub 提供的 API 來設置，內(nèi)部會自動幫我們處理。

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
# 如果不是這些值當中的一個, 那么會當中選擇與設置的值最接近的一個
# 比如我們設置 18000, 那么會自動變成 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。增大這個值通常不會導致質(zhì)量的下降，但降低這個值一定會導致質(zhì)量的下降，因為更高的幀速率意味著更大的頻響特征（即可以表示更高的頻率）。

除了通道數(shù)、采樣頻率之外，我們還可以設置采樣寬度（采樣位數(shù)除以 8），對于一個音頻而言能設置這些屬性已經(jīng)足夠了。像很多大廠提供的音頻識別服務，也會對音頻屬性有嚴格的限制，而限制的屬性也基本上就這些。無非是通道、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

從打印的結果上來看，我們似乎沒有設置成功，因為這和音頻本身也是有相應關系的?？赡芤纛l本身的采樣寬度就只能是 2，不過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)

我們導出音頻的時候使用的是 export 方法，這里面還可以接收其它參數(shù)，先來看看我們導出的音頻的原始的音頻之間的差異。

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，但是我們導出的沒有，那么可不可以設置呢。答案是可以的，在導出的時候加上一個 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"})

再來看看效果。

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

另外，我們這里導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，而我們導出的音頻的比特率要小很多。因為比特率表示音頻一秒所需的比特數(shù)，比特率越小，顯然文件就越小。而我們在導出的時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Python音頻處理庫pydub的使用示例詳解的詳細內(nèi)容，更多關于Python pydub的資料請關注腳本之家其它相關文章！