3、音频采集基础：使用PyAudio库录制麦克风音频，理解采样率、位深度与声道数

好，咱们正式开始动手了。

前面两章我们把摄像头画面搞定了，但一个完整的直播或录制系统，光有画面可不行。你想想看，一个没有声音的监控画面，或者一个只有图像没有讲解的教学视频，是不是总觉得少了点什么？

这一章，我们就来攻克音频采集。我会带你用 PyAudio 这个库，把麦克风的声音抓进来。同时，我会把 采样率、位深度、声道数 这三个最基础也最容易搞混的概念，用最直白的方式讲清楚。

3.1 为什么是PyAudio？

Python里处理音频的库不少，比如 sounddevice、wave、pydub。但我个人习惯用 PyAudio。为什么？

• 跨平台稳定：Windows、macOS、Linux 都能跑，底层用的是 PortAudio，这东西很成熟。
• 底层控制力强：你可以直接操作音频流，拿到最原始的 PCM 数据。这对于我们后面做音视频同步、音频处理来说，太重要了。
• 生态好：很多开源项目都在用，遇到问题网上随便一搜就有答案。

安装也很简单，一行命令搞定：

pip install pyaudio

嗯，这里要注意。如果你在 Windows 上遇到安装失败，别慌。去 https://www.lfd.uci.edu/~gohlke/pythonlibs/ 下载对应版本的 .whl 文件，然后手动安装。我当年第一次装的时候，就被这个坑过。

3.2 三个核心参数：采样率、位深度、声道数

在写代码之前，我们必须先把这三个参数搞明白。说白了，它们决定了你录出来的声音是什么质量。

3.2.1 采样率（Sample Rate）

采样率，就是每秒钟对声音信号采样的次数。单位是 Hz（赫兹）。

• 8000 Hz：电话音质，够用但很糊。
• 44100 Hz：CD 音质，也是我们最常用的。我个人习惯用这个。
• 48000 Hz：DVD/专业音频设备的标准。如果你做专业录音，建议用这个。

为什么会这样？根据奈奎斯特采样定理，采样率必须大于信号最高频率的两倍。人耳能听到的频率范围是 20Hz ~ 20kHz，所以 44100 Hz 刚好能覆盖。

我在项目中遇到过一个问题：录制的语音听起来有点“闷”。排查了半天，发现是采样率设成了 16000 Hz，导致高频信息丢失了。后来改成 44100 Hz，问题解决。

3.2.2 位深度（Bit Depth）

位深度，决定了每个采样点用多少位来表示。它直接影响动态范围。

• 8-bit：256 个等级，噪音大，基本不用。
• 16-bit：65536 个等级，CD 音质，够用。
• 24-bit：16777216 个等级，专业录音棚级别。

你想想看，位深度越大，能记录的细节就越多。但文件体积也会变大。对于一般的网络摄像头应用，16-bit 是性价比最高的选择。

3.2.3 声道数（Channels）

声道数，就是声音的通道数量。

• 1（Mono）：单声道，所有声音混在一起。适合语音通话。
• 2（Stereo）：双声道，左右声道分开。适合音乐、环境音录制。

我个人建议，如果你只是录人声讲课，用单声道就够了。双声道虽然听起来更立体，但数据量翻倍，处理起来也麻烦一些。

3.3 实战：用PyAudio录制麦克风音频

好了，理论讲完了，咱们直接上代码。我会写一个最简单的录音程序，把麦克风的声音保存成 WAV 文件。

import pyaudio
import wave

# 录音参数
FORMAT = pyaudio.paInt16  # 16-bit 位深度
CHANNELS = 1              # 单声道
RATE = 44100              # 采样率 44100 Hz
CHUNK = 1024              # 每次读取的帧数
RECORD_SECONDS = 5        # 录制时长

# 初始化 PyAudio
p = pyaudio.PyAudio()

# 打开音频流
stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)

print("开始录音...")

frames = []

# 循环读取音频数据
for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
    data = stream.read(CHUNK)
    frames.append(data)

print("录音结束")

# 关闭流
stream.stop_stream()
stream.close()
p.terminate()

# 保存为 WAV 文件
wf = wave.open("output.wav", 'wb')
wf.setnchannels(CHANNELS)
wf.setsampwidth(p.get_sample_size(FORMAT))
wf.setframerate(RATE)
wf.writeframes(b''.join(frames))
wf.close()

print("文件已保存为 output.wav")

这段代码的逻辑很简单：

1. 初始化 PyAudio 对象。
2. 打开一个输入流（input=True），指定好参数。
3. 在一个循环里不断读取 CHUNK 大小的数据，存到列表里。
4. 结束后，把数据写入 WAV 文件。

3.4 避坑指南：我曾经踩过的坑

代码写完了，但直接跑可能会遇到问题。我把自己踩过的坑分享给你：

• 坑一：录音没声音

  我曾经遇到过，代码跑起来没报错，但录出来的文件是静音。排查了半天，发现是麦克风被系统静音了。所以，先检查一下系统音量设置。

• 坑二：录音有爆音

  如果你录出来的声音有“噼啪”的爆音，大概率是 CHUNK 设置得太小，或者 CPU 负载太高，导致数据读取不及时。试着把 CHUNK 调大一点，比如 2048 或 4096。

• 坑三：采样率不匹配

  有些麦克风硬件不支持 44100 Hz，只支持 48000 Hz 或 16000 Hz。你可以用 p.get_device_info_by_index() 查看设备支持的采样率。我一般会写一个设备列表打印函数，先看看再动手。

3.5 理解音频数据：PCM 是什么？

你可能会好奇，stream.read(CHUNK) 读出来的 data 到底是什么？

说白了，它就是 PCM（脉冲编码调制） 数据。是一串二进制数字，每个数字代表一个采样点的振幅。

• 如果是 16-bit 单声道，每个采样点占 2 个字节。
• 如果是 16-bit 双声道，每个采样点占 4 个字节（左声道 2 字节 + 右声道 2 字节）。

我们后面做音频处理，比如降噪、音量调整，本质上就是修改这些 PCM 数据。

3.6 本章小结

这一章，我们完成了音频采集的第一步。你学会了：

• 三个核心参数：采样率、位深度、声道数。
• 用 PyAudio 录制麦克风音频并保存为 WAV 文件。
• 避开了我当年踩过的坑。

下一章，我们会把音频和视频结合起来，实现真正的音视频同步采集。嗯，那才是真正的挑战。