4、音频文件读写与基础操作：WAV/MP3文件格式解析、使用soundfile和librosa读写音频、音频信息查看

好，咱们今天聊聊音频文件读写。这可以说是语音信号处理里最基础、也最绕不开的一步。你想想看，不管后面做多牛的算法，第一步总得把音频文件读进来吧？

我个人习惯，拿到一个音频文件，第一件事不是急着跑代码，而是先看看它到底是个什么来头。是WAV还是MP3？采样率多少？位深多少？声道数几个？这些信息搞不清楚，后面很容易踩坑。

4.1 WAV与MP3：两种最常见的音频格式

先说说WAV。WAV是微软和IBM联合开发的，说白了就是一段裸音频数据加上一个文件头。这个文件头里记录了采样率、位深、声道数这些关键信息。我刚开始做项目时，总觉得WAV太占空间，后来才发现，正是因为它不压缩，处理起来最省心，不会出现解码带来的各种奇怪问题。

MP3就不一样了。它是有损压缩格式，通过丢掉一些人耳不敏感的频率成分来减小体积。嗯，这里要注意：MP3的解码过程其实挺复杂的，涉及到心理声学模型、霍夫曼编码等等。不过好在，我们一般不用自己实现解码器，直接用现成的库就行。

我遇到过最尴尬的一次，是客户给了一批MP3格式的录音，采样率标称是16kHz，但实际解码后发现是22.05kHz。你想想看，如果直接按16kHz去处理，后面的特征提取全都会偏掉。所以，读文件时一定要检查实际采样率，别信文件名。

4.2 使用soundfile读写音频

soundfile这个库，我个人非常喜欢。它底层用的是libsndfile，支持WAV、FLAC、OGG等格式，但不支持MP3。为什么？因为MP3的专利问题，libsndfile一直没集成MP3解码器。

来看看怎么用：

import soundfile as sf

# 读取音频文件
data, samplerate = sf.read('example.wav')
# data是numpy数组，shape为(样本数, 声道数)
# samplerate是采样率，整数

# 查看基本信息
print(f"采样率: {samplerate} Hz")
print(f"数据形状: {data.shape}")
print(f"数据类型: {data.dtype}")
print(f"时长: {data.shape[0] / samplerate:.2f} 秒")

# 写入音频文件
sf.write('output.wav', data, samplerate)

这里有个细节：sf.read()默认返回的数据类型是float64，范围在[-1.0, 1.0]之间。如果你想要整数类型，可以加参数dtype='int16'。我在项目中习惯用float，因为后续做特征提取时，浮点数运算更方便。

4.3 使用librosa读写音频

librosa是音频分析领域的明星库。它不仅能读写音频，还集成了大量的特征提取函数。不过要注意，librosa底层默认使用soundfile来读WAV，用audioread来读MP3。

import librosa

# 读取音频，librosa会自动重采样到22050Hz
data, samplerate = librosa.load('example.mp3', sr=22050)
# sr=None表示保持原始采样率

# 查看音频信息
print(f"采样率: {samplerate} Hz")
print(f"数据形状: {data.shape}")
print(f"时长: {librosa.get_duration(y=data, sr=samplerate):.2f} 秒")

# 写入音频
librosa.output.write_wav('output.wav', data, samplerate)
# 注意：librosa的write_wav函数在新版本中已弃用，建议用soundfile

嗯，这里要提醒一下：librosa.load()默认会把音频重采样到22050Hz，而且会混音成单声道。如果你需要原始采样率和立体声，记得设置sr=None, mono=False。我曾经因为这个默认行为，浪费了半天排查特征提取结果不对的问题。

4.4 音频信息查看：别只看文件名

我见过太多人，拿到音频文件后只看文件名就以为知道了采样率和格式。结果呢？跑出来的结果一塌糊涂。所以，我建议养成一个好习惯：每次读文件后，都打印一下关键信息。

这里给一个我自己常用的信息查看函数：

import soundfile as sf
import numpy as np

def inspect_audio(file_path):
    """查看音频文件的详细信息"""
    # 用soundfile读取文件头信息
    info = sf.info(file_path)
    
    print(f"文件名: {file_path}")
    print(f"采样率: {info.samplerate} Hz")
    print(f"声道数: {info.channels}")
    print(f"位深: {info.subtype}")  # 比如'PCM_16', 'FLOAT'等
    print(f"总样本数: {info.frames}")
    print(f"时长: {info.duration:.2f} 秒")
    print(f"文件格式: {info.format}")  # 比如'WAV', 'FLAC'等
    
    # 读取实际数据，验证
    data, sr = sf.read(file_path)
    print(f"实际数据形状: {data.shape}")
    print(f"数据范围: [{data.min():.4f}, {data.max():.4f}]")
    print(f"数据均值: {data.mean():.6f}")
    
    return data, sr

这个函数会打印出文件头里的信息，还会读取实际数据做验证。我一般在项目开始时，先用这个函数扫一遍所有音频文件，看看有没有异常。比如采样率不一致、声道数不对、数据范围异常等等。

4.5 常见问题与避坑指南

最后，总结几个我经常遇到的坑：

• 采样率不一致：不同来源的音频，采样率可能不同。处理前一定要统一，否则特征维度会乱。
• 数据类型问题：int16和float混用，会导致计算错误。建议统一转成float。
• 声道数混淆：立体声和单声道处理方式不同。做语音识别一般用单声道，做声源定位需要立体声。
• MP3解码问题：不同解码器可能得到不同的结果。建议统一用librosa或pydub解码。
• 文件损坏：有些音频文件头信息正确，但实际数据损坏。读取时最好加异常处理。

好了，关于音频文件读写和基础操作，今天就聊这么多。记住一句话：读文件时多看一眼，后面能省很多事。下一章我们会讲音频重采样和格式转换，到时候再细聊。