注意

点击这里下载完整示例代码

音频 I/O¶

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

警告

最近的版本计划/已对音频 I/O 进行多项更改。有关这些更改的详细信息，请参阅引入调度器。

import torch
import torchaudio

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

2.7.0
2.7.0

准备工作¶

首先，我们导入模块并下载本教程中使用的音频素材。

注意

当在 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)

  0%|          | 0.00/7.99k [00:00<?, ?B/s]
100%|##########| 7.99k/7.99k [00:00<00:00, 14.5MB/s]

  0%|          | 0.00/53.2k [00:00<?, ?B/s]
100%|##########| 53.2k/53.2k [00:00<00:00, 48.4MB/s]

查询音频元数据¶

函数 torchaudio.info() 用于获取音频元数据。您可以提供路径对象或文件对象。

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

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 是通道数
num_frames 是每通道的帧数
bits_per_sample 是位深
encoding 是采样编码格式

encoding 可以是以下值之一

"PCM_S": 有符号整数线性 PCM
"PCM_U": 无符号整数线性 PCM
"PCM_F": 浮点线性 PCM
"FLAC": Flac, 无损音频编码
"ULAW": Mu-law, [维基百科]
"ALAW": A-law [维基百科]
"MP3" : MP3, MPEG-1 Audio Layer III
"VORBIS": OGG Vorbis [xiph.org]
"AMR_NB": 自适应多速率 [维基百科]
"AMR_WB": 自适应多速率宽带 [维基百科]
"OPUS": Opus [opus-codec.org]
"GSM": GSM-FR [维基百科]
"HTK": 单通道 16 位 PCM
"UNKNOWN" 以上都不是

注意

对于有压缩和/或可变比特率的格式（例如 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)

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

查询文件对象¶

torchaudio.info() 支持文件对象。

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)

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

注意

当传递文件对象时，info 不会读取所有底层数据；相反，它只从开头读取一部分数据。因此，对于给定的音频格式，它可能无法检索到正确的元数据，包括格式本身。在这种情况下，您可以传递 format 参数来指定音频的格式。

加载音频数据¶

要加载音频数据，可以使用 torchaudio.load()。

此函数接受路径对象或文件对象作为输入。

返回的值是一个包含波形（Tensor）和采样率（int）的元组。

默认情况下，生成的张量对象具有 dtype=torch.float32 且其值范围为 [-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)

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)

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

从文件对象加载¶

I/O 函数支持文件对象。这允许从本地文件系统内部及以外的位置获取和解码音频数据。以下示例对此进行了说明。

# 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")

# 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")

  0%|          | 0.00/110k [00:00<?, ?B/s]
100%|##########| 110k/110k [00:00<00:00, 43.5MB/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")

切片技巧¶

提供 num_frames 和 frame_offset 参数可以将解码限制在输入的相应段。

使用普通的张量切片（即 waveform[:, frame_offset:frame_offset+num_frames]）也可以实现同样的结果。但是，提供 num_frames 和 frame_offset 参数效率更高。

这是因为函数在完成解码请求的帧后会停止数据采集和解码。当音频数据通过网络传输时，这很有优势，因为一旦获取到所需量的数据，数据传输就会停止。

以下示例对此进行了说明。

# 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!")

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用应用程序可解释的格式，可以使用 torchaudio.save()。

此函数接受路径对象或文件对象。

当传递文件对象时，您还需要提供参数 format，以便函数知道应使用哪种格式。对于路径对象，函数会从扩展名推断格式。如果您要保存到没有扩展名的文件，则需要提供参数 format。

保存 WAV 格式数据时，float32 张量的默认编码是 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，要以 16 位有符号整数 PCM 格式保存数据，您可以按如下方式进行。

注意

以较低位深度的编码格式保存数据会减小生成的文件大小，但也会损失精度。

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()

保存时不带任何编码选项。函数将自动选择适合提供数据的编码

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

----------
Source: /tmp/tmpu65i6inj/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)

另存为 16 位有符号整数线性 PCM 生成的文件占用一半的存储空间，但损失了精度

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)

----------
Source: /tmp/tmp9xxqlowd/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() 还可以处理其他格式。例如：

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)

----------
Source: /tmp/tmpjayiu4jz/save_example.flac
----------
 - File size: 45262 bytes
 - AudioMetaData(sample_rate=8000, num_frames=27200, num_channels=1, bits_per_sample=16, encoding=FLAC)

保存到文件对象¶

与其他 I/O 函数类似，您可以将音频保存到文件对象。当保存到文件对象时，参数 format 是必需的。

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))

b'RIFFF\xa9\x01\x00WAVEfmt '

脚本总运行时间： ( 0 分钟 1.906 秒)

图库由 Sphinx-Gallery 生成