Question

我使用从网站上获取的pyaudio示例，通过计算机麦克风（2个频道）记录的数据读取了一个字节缓冲区。

import pyaudio
import wave

CHUNK = 1024
FORMAT = pyaudio.paInt16
CHANNELS = 2
RATE = 44100
RECORD_SECONDS = 5
WAVE_OUTPUT_FILENAME = "output.wav"

p = pyaudio.PyAudio()

stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)

print("* recording")

frames = []

for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
    data = stream.read(CHUNK)
    frames.append(data)

print("* done recording")

print frames

frames看起来像这样：

['\x00\xfd\xff\xff.....\xfc\xff\xff', '\xff\xfc\xff\xff......\xfc\xff\xff', ... ]

或者如果我更改CHUNK = 1：

['\x00\xfd\xff\xff', '\xff\xfc\xff\xff', '\x00\xfd\xcc\xcf']

虽然当然要长得多。我怀疑每个通道的字节都是交错的，所以我想我需要将它们分成两对。

我想要的是这样的数组：

np.array([
  [123, 43],
  [3, 433],
  [43, 66]
])

其中第一列是来自第一个通道的值，第二列是来自第二个通道的值。如何解释这些编码值（将CHUNK设置为合理的值，如1024）？

更新：

我很困惑。我使用下面的方法将format字符串列表更改为单个字符串的空格分隔的十六进制值，但似乎有奇数个...如果有两个值，则不会发生这种情况，每个频道一个（将是偶数）：

fms = ''.join(frames)
fms_string = ''.join( [ "%02X " % ord( x ) for x in fms ] ).strip()
fms_list = fms_string.split(" ")
print len(fms_list) # this prints an ODD number...

更新2：

我尝试了一条更简单的路线并尝试了这个：

import array
fstring = ''.join(frames)
wave_nums = array.array('h', fstring) # this correctly returns list of ints!
print len(wave_nums)

我尝试了不同的录制时间并获得了以下（令人困惑的结果）：

RECORD_SECONDS = 2 ---> len(wave_nums) is 132300 (132300 / 44100 = 3 seconds of frames)
RECORD_SECONDS = 4 ---> len(wave_nums) is 308700 (308700 / 44100 = 7 seconds of frames)
RECORD_SECONDS = 5 ---> len(wave_nums) is 396900 (396900 / 44100 = 9 seconds of frames)

这意味着我得到的帧数与2*(number of seconds recording) - 1秒一致......这怎么可能？

Answer 1

基于对portaudio源的快速浏览，它看起来像the channels are in fact interleaved

您可以使用联接来展平列表，计算左右值（将它们设置为16位长），然后将列表自身压缩。

joined = ''.join(frames).encode('latin-1')

left = map(lambda m, l: (m << 8) + l, joined[0::4], joined[1::4])
right = map(lambda m, l: (m << 8) + l, joined[2::4], joined[3::4])

zipped = zip(left, right)

在python 2.x上，编码latin1技巧不起作用，所以你需要做

joined = ''.join(frames)
joined = map(ord, joined)

left = map(lambda m, l: (m << 8) + l, joined[0::4], joined[1::4])
right = map(lambda m, l: (m << 8) + l, joined[2::4], joined[3::4])

zipped = zip(left, right)

这与python 2.x对ascii字符串vs unicode的偏好有关。

<强>更新

w.r.t奇数个字节，read可能试图读取前面太多字节而无声地失败，只返回它当前的任何内容。在正常情况下，你应该总是从读取中获得多个CHUNK字节，所以除非你的连接函数有错误，否则它们的结尾有问题。和我一起试试看看会发生什么。

Answer 2

最简单的答案似乎是：

import array
f = ''.join(frames)
nums = array.array('h', f)
left = nums[1::2]
right = nums[0::2]

@Dylan的答案也很好，但有点冗长，而且值也是无符号的，wav值是签名的。

同样将CHUNK更改为1225的值最好，因为44100是1225的倍数，并且由于舍入错误而不会丢失任何帧。

如何将字节转换为np.array

2 个答案: