将编码的音频文件转换为带有信号值的文本答案

【问题标题】：Convert encoded audio file to text with signal values将编码的音频文件转换为带有信号值的文本
【发布时间】：2018-01-16 12:24:46
【问题描述】：

我第一次用 c 语言编写音频文件。我发现这个代码应该读取一个音频文件，然后编写一个包含几个信息的 csv 文件以分析音频波，以防万一是一个简单的声音：我对波的幅度感兴趣，在音色的声音及其高音和扩展。

           main () {   
           // Create a 20 ms audio buffer (assuming Fs = 44.1 kHz)
           int16_t buf[N] = {0}; // buffer
           int n;                // buffer index

          // Open WAV file with FFmpeg and read raw samples via the pipe.
          FILE *pipein;
          pipein = popen("ffmpeg -i whistle.wav -f s16le -ac 1 -", "r");
          fread(buf, 2, N, pipein);
          pclose(pipein);

          // Print the sample values in the buffer to a CSV file
          FILE *csvfile;
          csvfile = fopen("samples.csv", "w");
          for (n=0 ; n<N ; ++n) fprintf(csvfile, "%d\n", buf[n]);
          fclose(csvfile);

       }

谁能详细解释我如何阅读音频文件以便从中提取我需要的信息？参考这段代码，有人可以解释一下第 8 行管道的含义

pipein = popen("ffmpeg -i whistle.wav -f s16le -ac 1 -", "r");

附言我已经知道如何读取音频文件的标题，其中包含很多有用的信息，但我也想逐个样本地分析整个音频文件。

【问题讨论】：

标签： c audio ffmpeg

【解决方案1】：

我刚刚编译然后运行您的代码...输出文件 samples.csv 是一个垂直列，包含有符号的 16 位整数，代表输入音频曲线的每个样本...如：YMMV

...所以当原始音频在您的变量 buf 中时，您可以添加到上面的代码中来回答您的问题

音量 - 音频是一条曲线，所以当曲线无法摆动时它的静音......在计算音量时理解位深度的含义至关重要......我建议你打开输出文件一个可以观察每个值的文本编辑器...知道您有 16 位的位深度会告诉您可能的整数值的数量...在空白凝视上read up on PCM raw audio ...首先近似于您的代码的以下更改会告诉你音量

int min_value = 9999;
int max_value = -9999;

for (n=0 ; n < N ; ++n) {

    if (buf[n] < min_value)  min_value = buf[n];
    if (buf[n] > max_value)  max_value = buf[n];

    fprintf(csvfile, "%d\n", buf[n]);
}

fclose(csvfile);

printf("min_value %d\n", min_value);
printf("max_value %d\n", max_value);

知道音频的位深度，假设它是 16 位，那么您就有 2^16 个可能的不同整数……从 0 到 (65536 - 1) 来表示原始音频的曲线……是如果您的数据是无符号的......如果它的有符号整数（如 WAV 文件头中所定义）然后将该范围移动，使其以零为中心......那么范围将从 -32768 变为 (+32768 - 1) 或 - 32768 到 +32767 ...因此，如果您的音频 buf[n] 值遍历从最小值到最大值的整个可能范围，那么您的音频样本可以说是全音量...现在我们可以解释上述测量值：min_value 和 max_value ...如果 min_value 在 -16384 左右，如果 max_value 在 +16384 左右，那么音量大约是最大值的一半，因为它只消耗可能整数值范围的一半

因此可以使用此公式（通过过度简化）计算 0 到 1 范围内的音量（最小到最大音量）

num_possible_ints = 2^bit_depth  // == 65536 for bit depth of 16 bits 
volume = 1 - ( num_possible_ints - ( max_value - min_value )) / num_possible_ints

为什么这过于简单化了？因为如果不预处理您的音频缓冲区[通过丢弃很少达到最大值或最小值的异常音频样本，如果需要的话]这种方法很容易给出过高的音量测量

有更好的体积测量方法，但请记住它容易产生感知偏差...lookup Root Mean Square to calculate volume with better accuracy ... to quote :

RMS 是平均被信号位移的区域，波形和线性零线之间的区域（不是 0dB，而是轴）。

由于波形在中心线上方 (+) 和下方 (-) 都摆动，因此必须忽略摆动的极性。幸运的是，在数学中，任何乘以自身（平方）的结果都是正数。然后可以对信号进行平均（时间线/窗口 ED 提及的算术平均值或其积分时间），因为正半部分和负半部分现在不会相互抵消 - 最后执行平方的逆运算 - 平方根。

RMS 仅表示均方根或信号平方的算术平均值的平方根。

实际上，这意味着高幅度、尖峰、瞬态内容的信号可以具有与幅度较低但波形较宽的信号相同的 RMS 值 - 因为它们都具有相同的能量含量。如果将它们通过扬声器，它们应该会产生相同的声能输出。

典型的尖峰波形是鼓瞬变之类的东西，而较粗的波形是正弦波甚至是方波（尽可能胖），其中需要低得多的峰值电平才能获得相同的功率（正弦波1.4Vp 的 RMS 电平与 1.0Vp 的方波相同）。

...这应该让你开始

PS popen is doing a stream read from the input file

【讨论】：