我正在尝试使用 Fastspeech 生成一个 .wav 文件。当我将数据保存为 .pcm 文件,并通过 ffmpeg 将其传输到 .wav 时,它运行良好。但是当我只是添加一个 wav 标头信息并将其保存到 .wav 时,听起来很嘈杂,我的代码有什么问题?
pcm代码:
wav = wav.astype(np.float32)
wav = wav.tostring()
with open('test.pcm', 'wb') as f:
f.write(wav)
ffmpeg 命令:
ffmpeg -f f32le -ar 16000 -i test.pcm file.wav # works well
直接写wav:
import struct
def pcm2wav(sample_rate, pcm_voice):
if pcm_voice.startswith("RIFF".encode()):
return pcm_voice
else:
sampleNum = len(pcm_voice)
rHeaderInfo = "RIFF".encode()
rHeaderInfo += struct.pack('i', sampleNum + 44)
rHeaderInfo += 'WAVEfmt '.encode()
rHeaderInfo += struct.pack('i', 16)
rHeaderInfo += struct.pack('h', 1)
rHeaderInfo += struct.pack('h', 1)
rHeaderInfo += struct.pack('i', sample_rate)
rHeaderInfo += struct.pack('i', sample_rate * int(32 / 8))
rHeaderInfo += struct.pack("h", int(32 / 8))
rHeaderInfo += struct.pack("h", 32)
rHeaderInfo += "data".encode()
rHeaderInfo += struct.pack('i', sampleNum)
rHeaderInfo += pcm_voice
return rHeaderInfo
# .......
# get data with FastSpeech model
wav = wav.astype(np.float32)
wav = wav.tostring()
wav = pcm2wav(16000, wav)
with open('test.wav', 'wb') as f:
f.write(wav) # many noisy sounds
我问了这个问题,终于解决了。我将第一个
struct.pack('h', 1)
替换为struct.pack('h', 3)
并且它有效。
我发现
scipy.io.wavfile.write
可以生成一个很好的wav文件。然后我在这个函数的源码中得到了答案
if dkind == 'f':
format_tag = WAVE_FORMAT_IEEE_FLOAT # WAVE_FORMAT_IEEE_FLOAT=3
else:
format_tag = WAVE_FORMAT_PCM # WAVE_FORMAT_PCM=1
# ...
fmt_chunk_data = struct.pack('<HHIIHH', format_tag, channels, fs,
bytes_per_second, block_align, bit_depth)
我的数据是float32类型,所以它的format_tag应该是3,而不是1。
我找到了一个非常好的解决方案,它不涉及您自己的标头中的“黑客攻击”。
您可以继承 pydub.AudioSegment 并覆盖 export() 方法以保存到 io.BytesIO 流而不是实际文件。
# Original slice of AudioSegment.export()
if format == "raw" and (codec is not None or parameters is not None):
raise AttributeError(
'Can not invoke ffmpeg when export format is "raw"; '
'specify an ffmpeg raw format like format="s16le" instead '
'or call export(format="raw") with no codec or parameters')
out_f, _ = _fd_or_path_or_tempfile(out_f, 'wb+')
# Updated code
if format == "raw" and (codec is not None or parameters is not None):
raise AttributeError(
'Can not invoke ffmpeg when export format is "raw"; '
'specify an ffmpeg raw format like format="s16le" instead '
'or call export(format="raw") with no codec or parameters')
out_f = io.BytesIO()
这将允许您正常使用 AudioSegment 而无需保存到文件。