Skip to content

音频 I/O

译者：龙琰

项目地址：https://pytorch.apachecn.org/2.0/tutorials/beginner/audio_io_tutorial

原始地址：https://pytorch.org/audio/stable/tutorials/audio_io_tutorial.html

作者: Moto Hira

本教程展示了如何使用 TorchAudio 的基本 I/O API 来检查音频数据， 将它们加载到 PyTorch 张量中并保存 PyTorch 张量。

Warning

在最近的版本中，音频 I/O 有多个计划/做出的更改。有关这些更改的详细信息，请参阅Dispatcher 的介绍。

import torch
import torchaudio

print(torch.__version__)
print(torchaudio.__version__)

输出：

2.3.0
2.3.0

准备工作

首先，我们导入模块并下载我们在本教程中使用的音频资源。

Note

在 Google Colab 中运行本教程时，请使用以下命令安装所需的包：

!pip install boto3

import io
import os
import tarfile
import tempfile

import boto3
import matplotlib.pyplot as plt
import requests
from botocore import UNSIGNED
from botocore.config import Config
from IPython.display import Audio
from torchaudio.utils import download_asset

SAMPLE_GSM = download_asset("tutorial-assets/steam-train-whistle-daniel_simon.gsm")
SAMPLE_WAV = download_asset("tutorial-assets/Lab41-SRI-VOiCES-src-sp0307-ch127535-sg0042.wav")
SAMPLE_WAV_8000 = download_asset("tutorial-assets/Lab41-SRI-VOiCES-src-sp0307-ch127535-sg0042-8000hz.wav")


def _hide_seek(obj):
    class _wrapper:
        def __init__(self, obj):
            self.obj = obj

        def read(self, n):
            return self.obj.read(n)

    return _wrapper(obj)

输出：

  0%|          | 0.00/7.99k [00:00<?, ?B/s]
100%|##########| 7.99k/7.99k [00:00<00:00, 15.8MB/s]

  0%|          | 0.00/53.2k [00:00<?, ?B/s]
100%|##########| 53.2k/53.2k [00:00<00:00, 43.3MB/s]

查询音频元数据

函数 torchaudio.info() 获取音频元数据。 您可以提供类似路径的对象或类似文件的对象。

metadata = torchaudio.info(SAMPLE_WAV)
print(metadata)

输出：

AudioMetaData(sample_rate=16000, num_frames=54400, num_channels=1, bits_per_sample=16, encoding=PCM_S)

其中

  • sample_rate 是音频的采样率
  • num_channels 是通道的数量
  • num_frames 是每个通道的帧数
  • bits_per_sample 是位深度
  • encoding 是样本编码格式

encoding 可以采用下列值之一：

注意

  • 对于具有压缩和/或可变比特率的格式(如 MP3)，bits_per_sample可以为0。

  • 对于 GSM-FR 格式，num_frames可以为0。

metadata = torchaudio.info(SAMPLE_GSM)
print(metadata)

输出：

AudioMetaData(sample_rate=8000, num_frames=39680, num_channels=1, bits_per_sample=0, encoding=GSM)

查询 file-like object

torchaudio.info 适用于 file-like object。

url = "https://download.pytorch.org/torchaudio/tutorial-assets/steam-train-whistle-daniel_simon.wav"
with requests.get(url, stream=True) as response:
    metadata = torchaudio.info(_hide_seek(response.raw))
print(metadata)

输出：

AudioMetaData(sample_rate=44100, num_frames=109368, num_channels=2, bits_per_sample=16, encoding=PCM_S)

NOTE

当传递一个 file-like object 时，info不会读取所有底层数据;相反，它从一开始只读取数据的一部分。因此，对于给定的音频格式，它可能无法检索正确的元数据，包括格式本身。在这种情况下，可以通过format参数指定音频的格式。

加载音频数据

要加载音频数据，可以使用torchaudio.load()。

这个函数接受一个 path-like object 或 file-like object 作为输入。

返回值是一个由波形(Tensor)和采样率(int)组成的元组。

默认情况下，生成的张量对象的dtype=torch.float32类型，其取值范围为[-1.0,1.0]。

有关支持的格式列表，请参阅torchaudio文档。

waveform, sample_rate = torchaudio.load(SAMPLE_WAV)

def plot_waveform(waveform, sample_rate):
    waveform = waveform.numpy()

    num_channels, num_frames = waveform.shape
    time_axis = torch.arange(0, num_frames) / sample_rate

    figure, axes = plt.subplots(num_channels, 1)
    if num_channels == 1:
        axes = [axes]
    for c in range(num_channels):
        axes[c].plot(time_axis, waveform[c], linewidth=1)
        axes[c].grid(True)
        if num_channels > 1:
            axes[c].set_ylabel(f"Channel {c+1}")
    figure.suptitle("waveform")

plot_waveform(waveform, sample_rate)

waveform

def plot_specgram(waveform, sample_rate, title="Spectrogram"):
    waveform = waveform.numpy()

    num_channels, num_frames = waveform.shape

    figure, axes = plt.subplots(num_channels, 1)
    if num_channels == 1:
        axes = [axes]
    for c in range(num_channels):
        axes[c].specgram(waveform[c], Fs=sample_rate)
        if num_channels > 1:
            axes[c].set_ylabel(f"Channel {c+1}")
    figure.suptitle(title)

plot_specgram(waveform, sample_rate)

Spectrogram

Audio(waveform.numpy()[0], rate=sample_rate)

从 file-like object 加载

I/O 函数支持类文件对象。这允许从本地文件系统内外的位置获取和解码音频数据。下面的例子说明了这一点。

# Load audio data as HTTP request
url = "https://download.pytorch.org/torchaudio/tutorial-assets/Lab41-SRI-VOiCES-src-sp0307-ch127535-sg0042.wav"
with requests.get(url, stream=True) as response:
    waveform, sample_rate = torchaudio.load(_hide_seek(response.raw))
plot_specgram(waveform, sample_rate, title="HTTP datasource")

Spectrogram

# Load audio from tar file
tar_path = download_asset("tutorial-assets/VOiCES_devkit.tar.gz")
tar_item = "VOiCES_devkit/source-16k/train/sp0307/Lab41-SRI-VOiCES-src-sp0307-ch127535-sg0042.wav"
with tarfile.open(tar_path, mode="r") as tarfile_:
    fileobj = tarfile_.extractfile(tar_item)
    waveform, sample_rate = torchaudio.load(fileobj)
plot_specgram(waveform, sample_rate, title="TAR file")

Spectrogram

输出：

  0%|          | 0.00/110k [00:00<?, ?B/s]
100%|##########| 110k/110k [00:00<00:00, 62.6MB/s]

# Load audio from S3
bucket = "pytorch-tutorial-assets"
key = "VOiCES_devkit/source-16k/train/sp0307/Lab41-SRI-VOiCES-src-sp0307-ch127535-sg0042.wav"
client = boto3.client("s3", config=Config(signature_version=UNSIGNED))
response = client.get_object(Bucket=bucket, Key=key)
waveform, sample_rate = torchaudio.load(_hide_seek(response["Body"]))
plot_specgram(waveform, sample_rate, title="From S3")

Spectrogram

切片技巧

提供 num_frames 和 frame_offset 参数将解码限制为输入的相应段。

使用普通张量切片也可以实现相同的结果，(即waveform[:, frame_offset:frame_offset+num_frames])。但提供 num_frames 和 frame_offset 参数更高效。

这是因为函数一旦完成对请求帧的解码，就会结束数据采集和解码。当音频数据通过网络传输时，这是有利的，因为一旦获取了必要的数据量，数据传输就会停止。

下面的例子说明了这一点。

# Illustration of two different decoding methods.
# The first one will fetch all the data and decode them, while
# the second one will stop fetching data once it completes decoding.
# The resulting waveforms are identical.

frame_offset, num_frames = 16000, 16000  # Fetch and decode the 1 - 2 seconds

url = "https://download.pytorch.org/torchaudio/tutorial-assets/Lab41-SRI-VOiCES-src-sp0307-ch127535-sg0042.wav"
print("Fetching all the data...")
with requests.get(url, stream=True) as response:
    waveform1, sample_rate1 = torchaudio.load(_hide_seek(response.raw))
    waveform1 = waveform1[:, frame_offset : frame_offset + num_frames]
    print(f" - Fetched {response.raw.tell()} bytes")

print("Fetching until the requested frames are available...")
with requests.get(url, stream=True) as response:
    waveform2, sample_rate2 = torchaudio.load(
        _hide_seek(response.raw), frame_offset=frame_offset, num_frames=num_frames
    )
    print(f" - Fetched {response.raw.tell()} bytes")

print("Checking the resulting waveform ... ", end="")
assert (waveform1 == waveform2).all()
print("matched!")

输出：

Fetching all the data...
 - Fetched 108844 bytes
Fetching until the requested frames are available...
 - Fetched 108844 bytes
Checking the resulting waveform ... matched!

将音频保存到文件

要将音频数据保存为常见应用程序可解释的格式，您可以使用 torchaudio.save()。

该函数接受类似路径的对象或类似文件的对象。

当传递类似文件的对象时，您还需要提供参数格式，以便函数知道应该使用哪种格式。 对于类似路径的对象，该函数将从扩展名推断格式。 如果要保存到没有扩展名的文件，则需要提供参数格式。

保存 WAV 格式的数据时，float32 Tensor 的默认编码是 32 位浮点 PCM。 您可以提供参数 encoding 和 bits_per_sample 来更改此行为。 例如，要将数据保存在 16 位有符号整数 PCM 中，您可以执行以下操作。

Note

以较低位深度的编码保存数据会减少生成的文件大小，但也会降低精度。

waveform, sample_rate = torchaudio.load(SAMPLE_WAV)

def inspect_file(path):
    print("-" * 10)
    print("Source:", path)
    print("-" * 10)
    print(f" - File size: {os.path.getsize(path)} bytes")
    print(f" - {torchaudio.info(path)}")
    print()

不带任何编码选项保存。该函数将选择所提供数据适合的编码

with tempfile.TemporaryDirectory() as tempdir:
    path = f"{tempdir}/save_example_default.wav"
    torchaudio.save(path, waveform, sample_rate)
    inspect_file(path)

输出：

----------
Source: /tmp/tmp7e22i972/save_example_default.wav
----------
 - File size: 108878 bytes
 - AudioMetaData(sample_rate=16000, num_frames=54400, num_channels=1, bits_per_sample=16, encoding=PCM_S)

保存为 16 位有符号整数线性 PCM，生成的文件占用一半存储空间但会损失精度

with tempfile.TemporaryDirectory() as tempdir:
    path = f"{tempdir}/save_example_PCM_S16.wav"
    torchaudio.save(path, waveform, sample_rate, encoding="PCM_S", bits_per_sample=16)
    inspect_file(path)

输出：

----------
Source: /tmp/tmpo_4z9s1q/save_example_PCM_S16.wav
----------
 - File size: 108878 bytes
 - AudioMetaData(sample_rate=16000, num_frames=54400, num_channels=1, bits_per_sample=16, encoding=PCM_S)

torchaudio.save() 也可以处理其他格式。

举几个例子:

formats = [
    "flac",
    # "vorbis",
    # "sph",
    # "amb",
    # "amr-nb",
    # "gsm",
]

waveform, sample_rate = torchaudio.load(SAMPLE_WAV_8000)
with tempfile.TemporaryDirectory() as tempdir:
    for format in formats:
        path = f"{tempdir}/save_example.{format}"
        torchaudio.save(path, waveform, sample_rate, format=format)
        inspect_file(path)

输出：

----------
Source: /tmp/tmp3t5yx5qq/save_example.flac
----------
 - File size: 45262 bytes
 - AudioMetaData(sample_rate=8000, num_frames=27200, num_channels=1, bits_per_sample=16, encoding=FLAC)

保存为 file-like object

与其他 I/O 功能类似，您可以将音频保存为 file-like object。 保存为 file-like object 需要参数format。

waveform, sample_rate = torchaudio.load(SAMPLE_WAV)

# Saving to bytes buffer
buffer_ = io.BytesIO()
torchaudio.save(buffer_, waveform, sample_rate, format="wav")

buffer_.seek(0)
print(buffer_.read(16))

输出：

b'RIFFF\xa9\x01\x00WAVEfmt '

脚本总运行时间：（0 分 2.000 秒）

回到顶部