01. 语音信号处理 Pycharm 实操——音频采样、读取及画图

1. 创建音频及py文件

1.1 准备音频文件

找一个格式为 wav 的音频文件，放在合适的文件夹中。

例如我放在了这个文件夹 D:\document\speech_processing\speech_day1，命名为 iuput.wav 。

1.2 准备环境

PyCharm: 文件-打开-选择音频所在文件夹 。

会提示：

这是 PyCharm 在问你：你现在要打开的这个文件夹/项目，要怎么和你当前已经打开的项目窗口共存。

你看到的几个按钮含义是：

• 此窗口：用当前这个 PyCharm 窗口打开新文件夹（原来打开的项目会被替换掉）。
• 新窗口：另外再开一个 PyCharm 窗口打开它（原来的项目窗口保留）。
• 附加…：把你要打开的这个文件夹附加到当前项目里（相当于把它作为一个“模块/子项目”加进来，左侧项目树会多出来一个目录）。
• 取消：不打开。
• 不再询问：以后默认按你选的方式来，不再弹这个框（不建议现在就勾，等你确定习惯再勾）。

我选择了此窗口，PyCharm 会自动帮你匹配好环境，我这里用的是 base ，没有单独创建一个专用的环境。

1.3 创建 py 文件

因为我们需要音频和 py 运行文件在同一目录下，因此直接新建即可。

2. 程序编写

2.1 安装需要的库

PyCharm 左下角打开终端，运行命令：

python -m pip install numpy scipy matplotlib soundfile

2.2 分析GPT给出的程序代码

Part 1

import numpy as np
import soundfile as sf
from scipy.signal import resample_poly
import matplotlib.pyplot as plt
from pathlib import Path
import csv
from datetime import datetime

# ====== 输入文件 ======
INPUT_WAV = "input.wav"     # 输入音频的文件名
TARGET_SR = 16000           # 统一采样率到 16k
# ========================

out_dir = Path(".")                          
wav_in = Path(INPUT_WAV)

"." 的意思是：当前工作目录（运行的脚本所在文件夹），所以 out_dir 就表示：输出文件要保存到哪里。

Path(INPUT_WAV) 就把这个字符串变成一个“路径对象”，所以 wav_in 表示：输入音频文件的路径。

Part 2

if not wav_in.exists():
    raise FileNotFoundError(f"找不到输入文件：{wav_in.resolve()}")

# 读音频
x, sr = sf.read(str(wav_in), always_2d=False)

逐个拆开讲：

1) sf.read(...) 是什么？

sf 是 soundfile 这个库（前面一般写了 import soundfile as sf）。
sf.read(文件路径) 会返回两个东西：

• x：音频数据本身（一个数组）
  • 单声道：x 是一维数组，比如 [0.01, -0.02, ...]
  • 双声道：x 是二维数组，比如 [[L0, R0], [L1, R1], ...]
• sr：采样率（单位 Hz），比如 16000、44100、48000

所以左边用 x, sr = ... 来接收这两个返回值。

---

2) 为什么要 str(wav_in)？

wav_in 是 Path 对象。
有些库能直接接收 Path，但为了兼容性更稳，这里把它转成字符串路径。

---

3) always_2d=False 是什么意思？

它控制 x 的形状：

• always_2d=False：
  • 如果是单声道，x 就是一维（更方便画波形、处理）
  • 如果是多声道，x 才是二维
• 如果写成 always_2d=True：
  • 单声道也会强制变成二维（形状像 N×1）

Part 3

# 如果是双声道/多声道，转单声道（取平均）
if x.ndim > 1:
    x = x.mean(axis=1)

1）x.ndim > 1 是什么意思？

• x 是音频数组
• ndim 是“维度数”
  • 单声道一般是 一维：形状像 (N,)，所以 x.ndim == 1
  • 双声道/多声道一般是 二维：形状像 (N, C)
    • N = 采样点数量
    • C = 声道数（2=左右声道）

所以：

• x.ndim > 1 就是在判断：是不是多声道。

2）x.mean(axis=1) 在干什么？

当 x 是 (N, C) 时：

• axis=1 表示沿着“声道那一维”求平均
• 结果就变成 (N,)，也就是单声道

举个简单例子：
假设某个采样点左右声道分别是 L=0.2, R=0.4
取平均就是 (0.2+0.4)/2 = 0.3
这样每个时间点都合成一个值。

3）取其中一个声道

如果你想更“保险”一点，也可以不平均，改成只取一个声道（比如左声道）：

if x.ndim > 1:
    x = x[:, 0]

Part 4

# 重采样到 16k（若本来就是16k就不动）
if sr != TARGET_SR:
    # 用有理数重采样：up/down
    # 例如 48000 -> 16000 就是 down=3
    # 这里用最大公约数自动简化
    import math
    g = math.gcd(sr, TARGET_SR)
    up = TARGET_SR // g
    down = sr // g
    x_rs = resample_poly(x, up, down)
    sr_rs = TARGET_SR
else:
    x_rs = x
    sr_rs = sr

1）if sr != TARGET_SR:：先判断要不要重采样

• sr 是你读出来的原采样率（比如 48000、44100）
• TARGET_SR 是你想统一到的采样率（这里是 16000）

如果不同，就进入重采样；相同就直接用原音频。

---

2）为什么要算 g = gcd(sr, TARGET_SR) 最大公约数 ？

因为重采样可以理解成两步：

• 先上采样（插值）
• 再下采样（抽取）

用 resample_poly(x, up, down) 需要两个整数：

• up：上采样倍数
• down：下采样倍数

但直接写成 up=16000, down=48000 太大了，没必要。
所以用最大公约数 g 把比例约分成最简：

例子：48000 -> 16000

• gcd(48000, 16000) = 16000
• up = 16000/16000 = 1
• down = 48000/16000 = 3
  所以就是：不插值（×1），每3个点取1个（÷3），这就是注释里写的 down=3。

再比如：44100 -> 16000

• gcd(44100, 16000) = 100

• up = 16000/100 = 160

• down = 44100/100 = 441
  表示用一个合理的整数比例去变换采样率。

  重采样不是只能“整倍数”变化

  像 48000 -> 16000 很爽，是整除（÷3）。
  但很多音频是 44100Hz（音乐/部分录音常见），它跟 16000 不整除。

  这时候你还是可以重采样，只是要用一个分数比例：

  $$\frac{16000}{44100}=\frac{160}{441}$$

  所以程序用：

  • up = 160
  • down = 441

  意思是：先把采样点“插值变密”160倍，再按 441 倍抽取回去（实际实现会用滤波器高效完成，不是傻乎乎真的把点扩大160倍存起来）。

此外，代码内部进行 重采样时会做一个“抗混叠低通滤波” 。是 resample_poly 内部自动帮你做的，目的只有一个：不让重采样把高频搞乱。

为什么重采样必须“顺带滤波”？

当把采样率从高变低（比如 48k → 16k），相当于以后最多只能正确表示到 8kHz 的内容。
那原来 48k 里可能存在 8kHz 以上的部分怎么办？

如果直接“隔点取样/抽取”，这些高频会折回来伪装成低频（这就是混叠），声音会变脏、出现奇怪的失真。

所以正确流程是：

先低通滤波，把新采样率承受不了的高频切掉 → 再抽取（降采样）

它到底滤掉了什么？

以 48k → 16k 为例：

• 16k 的最高安全频率大约是 8kHz
• 所以内部低通会把 8kHz 以上逐渐压掉（不是一刀切，但大概这个意思）

这样降到 16k 后，信号不会出现“高频折回”的假成分。

---

3）x_rs = resample_poly(x, up, down) 做了什么？

它会把音频从 sr 变成 TARGET_SR，并且自动做低通滤波来避免重采样带来的失真（比简单“隔点取样”靠谱很多）。

输出 x_rs 就是重采样后的波形数组。

---

4）sr_rs = TARGET_SR / else 分支

• 如果做了重采样：sr_rs 就是 16000
• 如果没做：x_rs = x，sr_rs = sr，保持原样

Part 5

# 保存重采样后的 wav（方便后续都用这个，不用每次都重采样）
out_wav = out_dir / "input_16k.wav"
sf.write(str(out_wav), x_rs, sr_rs)

1）out_wav = out_dir / "input_16k.wav"

• out_dir 是当前目录（ 我们命名过的当前路径 Path(".")）
• out_dir / "input_16k.wav" 这是一种 Path 的写法，表示：
  在当前目录下创建/指向一个叫 input_16k.wav 的文件路径
• 如果你当前目录是 D:\speech_day1\，那它就是：
  D:\speech_day1\input_16k.wav

2）sf.write(str(out_wav), x_rs, sr_rs)

• sf.write(路径, 数据, 采样率) 用来写/存储 wav 文件
• x_rs 是重采样后的波形数组
• sr_rs 是对应的采样率（这里应该是 16000）
• str(out_wav) 同样是把 Path 转成字符串给 soundfile 用

Part 6

# 计算时长
duration = len(x_rs) / sr_rs

# 画波形
t = np.arange(len(x_rs)) / sr_rs
plt.figure(figsize=(10, 3))
plt.plot(t, x_rs)
plt.xlabel("Time (s)")
plt.ylabel("Amplitude")
plt.title(f"Waveform (sr={sr_rs} Hz, duration={duration:.2f} s)")
plt.tight_layout()

out_png = out_dir / "waveform.png"
plt.savefig(str(out_png), dpi=160)
plt.close()

1) 生成时间轴（为了画图横坐标是秒）

t = np.arange(len(x_rs)) / sr_rs

• np.arange() 的设计规则是：从 0 开始，按步长 1 递增，直到（但不包含）给定的终点。因此 np.arange(len(x_rs)) 会生成 [0, 1, 2, ..., N-1]
• 再除以 sr_rs，就变成秒：
  [0/sr, 1/sr, 2/sr, ..., (N-1)/sr]
• 这样画出来的横轴就是 Time (s)。

2) 画图（波形图）

plt.figure(figsize=(10, 3))
plt.plot(t, x_rs)
plt.xlabel("Time (s)")
plt.ylabel("Amplitude")
plt.title(f"Waveform (sr={sr_rs} Hz, duration={duration:.2f} s)")
plt.tight_layout()

• figsize=(10,3)：图的大小（宽10英寸，高3英寸）
• plt.plot(t, x_rs)：横轴时间 t，纵轴幅度 x_rs（波形）
• title：标题里把采样率和时长写上，方便你截图/写报告
• tight_layout()：自动整理边距，避免标题或坐标被挤掉

3) 保存成图片并关闭

out_png = out_dir / "waveform.png"
plt.savefig(str(out_png), dpi=160)
plt.close()

• out_png：输出文件路径（当前目录下的 waveform.png）
• savefig(..., dpi=160)：保存图片，dpi 越高越清晰
• close()：关掉这张图，避免后面画更多图时叠在一起、占内存

Part 7

# 写 log.csv（追加一行，更适合实验记录）
log_csv = out_dir / "log.csv"
new_file = not log_csv.exists()

with log_csv.open("a", newline="", encoding="utf-8") as f:
    writer = csv.writer(f)

    # 第一次创建文件时写表头
    if new_file:
        writer.writerow(["time", "input_file", "output_file", "sr_in", "sr_out", "duration_s"])

    writer.writerow([
        datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
        wav_in.name,          # 输入文件名
        out_wav.name,         # 输出文件名
        sr,                   # 原采样率
        sr_rs,                # 重采样后采样率
        f"{duration:.2f}"     # 时长（秒）
    ])
    

print("✅ Day 1 完成！输出：")
print(" -", out_png.resolve())
print(" -", (out_dir / "log.csv").resolve())
print(" -", out_wav.resolve())

1）打开文件（追加模式）并起个名字叫 f

with log_csv.open("a", newline="", encoding="utf-8") as f:

• log_csv 是一个路径对象（比如 ./log.csv）

• .open("a", ...) 表示打开文件：

  • "a" = append（追加）：不会覆盖原内容，只会在末尾继续写

• encoding="utf-8"：用 UTF-8 编码写，中文不容易乱码

• newline=""：这是写 CSV 时的常见写法，避免 Windows 上出现“空行”的问题

  CSV 模块会自己处理换行；如果文件打开时又让系统默认再处理一次换行，就可能变成“双重换行”，于是你看到文件里就隔一行空一行。把 newline="" 交给 csv.writer 统一管理换行，就不会出这个坑了。

• with ... as f:：这是 Python 的“上下文管理”

  • 好处：写完自动关闭文件，不怕你忘记 close()，也不容易把文件占用住

一句话：打开 log.csv，准备往后面追加内容，文件句柄叫 f，写完自动关掉。

---

2）创建一个 CSV 写入器

writer = csv.writer(f)

• csv.writer(f) 会返回一个“写入器”

• 以后就可以用：

  writer.writerow([...])

  把一行数据写进 CSV（自动用逗号分隔、自动处理引号等细节）

一句话：writer 是专门负责“把列表写成 CSV 一行”的工具。

---

一个很直观的类比

• open(...) as f：打开一个记账本（log.csv）
• csv.writer(f)：拿到一支“会自动排版成表格格式”的笔
• writer.writerow([...])：往记账本里写一行记录

全部代码如下：

import numpy as np
import soundfile as sf
from scipy.signal import resample_poly
import matplotlib.pyplot as plt
from pathlib import Path
import csv
from datetime import datetime

# ====== 你只改这里 ======
INPUT_WAV = "input.wav"     # 输入音频的文件名
TARGET_SR = 16000           # 统一采样率到 16k
# ========================

out_dir = Path(".")                          # "." 的意思是：当前工作目录（运行的脚本所在文件夹），所以 out_dir 就表示：输出文件要保存到哪里
wav_in = Path(INPUT_WAV)                     # Path(INPUT_WAV) 就把这个字符串变成一个“路径对象”，所以 wav_in 表示：输入音频文件的路径

if not wav_in.exists():
    raise FileNotFoundError(f"找不到输入文件：{wav_in.resolve()}")

# 读音频
x, sr = sf.read(str(wav_in), always_2d=False)

# 如果是双声道/多声道，转单声道（取平均）
if x.ndim > 1:
    x = x.mean(axis=1)

# 重采样到 16k（若本来就是16k就不动）
if sr != TARGET_SR:
    # 用有理数重采样：up/down
    # 例如 48000 -> 16000 就是 down=3
    # 这里用最大公约数自动简化
    import math
    g = math.gcd(sr, TARGET_SR)
    up = TARGET_SR // g
    down = sr // g
    x_rs = resample_poly(x, up, down)
    sr_rs = TARGET_SR
else:
    x_rs = x
    sr_rs = sr

# 保存重采样后的 wav（方便后续都用这个）
out_wav = out_dir / "input_16k.wav"
sf.write(str(out_wav), x_rs, sr_rs)

# 计算时长
duration = len(x_rs) / sr_rs

# 画波形
t = np.arange(len(x_rs)) / sr_rs
plt.figure(figsize=(10, 3))
plt.plot(t, x_rs)
plt.xlabel("Time (s)")
plt.ylabel("Amplitude")
plt.title(f"Waveform (sr={sr_rs} Hz, duration={duration:.2f} s)")
plt.tight_layout()

out_png = out_dir / "waveform.png"
plt.savefig(str(out_png), dpi=160)
plt.close()

# 写 log.csv（追加一行，更适合实验记录）
log_csv = out_dir / "log.csv"
new_file = not log_csv.exists()

with log_csv.open("a", newline="", encoding="utf-8") as f:
    writer = csv.writer(f)

    # 第一次创建文件时写表头
    if new_file:
        writer.writerow(["time", "input_file", "output_file", "sr_in", "sr_out", "duration_s"])

    writer.writerow([
        datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
        wav_in.name,          # 输入文件名
        out_wav.name,         # 输出文件名
        sr,                   # 原采样率
        sr_rs,                # 重采样后采样率
        f"{duration:.2f}"     # 时长（秒）
    ])


print("✅ Day 1 完成！输出：")
print(" -", out_png.resolve())
print(" -", (out_dir / "log.csv").resolve())
print(" -", out_wav.resolve())

#-------output-------
✅ Day 1 完成！输出：
 - D:\document\speech_processing\speech_day1\waveform.png
 - D:\document\speech_processing\speech_day1\log.csv
 - D:\document\speech_processing\speech_day1\input_16k.wav