what's the SOX
SoX(即 Sound eXchange)是一个跨平台(Windows,Linux,MacOS 等)的命令行实用程序,可以将各种格式的音频文件转换为需要的其他格式。SoX 还可以对输入的音频文件应用各种效果,也支持在大多数平台上播放和录制音频文件。
Windows下载链接:
SoX 可以读取和写入常见格式的音频文件,并在此过程中选择性的加入一些声音效果。可以组合多个输入源及合成音效,在许多系统上也可以作为音频播放器或多轨录音机使用。
SoX 工具在大部分 Linux 系统上都可以直接通过软件包管理器安装
sudo apt-get install sox #Linux
brew install sox #Mac 系统
SoX 处理音频的基本流程如下:
Input(s) -> Combiner -> Effects -> Output(s)
SoX 工具的所有功能都可以通过一命令及相应的选项实现。它同时提供了 play 命令用于播放音频文件,rec 命令用于录制音频,以及 soxi 命令用于获取音频的文件头中包含的信息。
上述几个命令的基本格式如下:
SYNOPSIS
sox [global-options] [format-options] infile1
[[format-options] infile2] ... [format-options] outfile
[effect [effect-options]] ...
play [global-options] [format-options] infile1
[[format-options] infile2] ... [format-options]
[effect [effect-options]] ...
rec [global-options] [format-options] outfile
[effect [effect-options]] ...
soxi [-V[level]] [-T] [-t|-r|-c|-s|-d|-D|-b|-B|-p|-e|-a] infile1 ...
基本使用
一、获取音频元数据
soxi 或 sox --i 命令可以通过分析音频文件的文件头,获取其元数据(如通道数、采样率、编码等)。
soxi Faded.wav'''Input File : 'Faded.wav'
Channels : 2
Sample Rate : 44100
Precision : 16-bit
Duration : 00:03:32.63 = 9376836 samples = 15947 CDDA sectors
File Size : 37.5M
Bit Rate : 1.41M
Sample Encoding: 16-bit Signed Integer PCM'''
soxi 命令支持的所有选项及其含义如下:
soxi
Usage: soxi [-V[level]] [-T] [-t|-r|-c|-s|-d|-D|-b|-B|-p|-e|-a] infile1 '''-t Show detected file-type
-r Show sample-rate
-c Show number of channels
-s Show number of samples (0 if unavailable)
-d Show duration in hours, minutes and seconds (0 if unavailable)
-D Show duration in seconds (0 if unavailable)
-b Show number of bits per sample (0 if not applicable)
-B Show the bitrate averaged over the whole file (0 if unavailable)
-p Show estimated sample precision in bits
-e Show the name of the audio encoding
-a Show file comments (annotations) if available
With no options, as much information as is available is shown for
each given file.'''
soxi 命令跟上某个特定的选项可以只获取该选项对应的信息,如只显示某音频文件 Faded.wav 的比特率(Bit Rate):
soxi -B Faded.wav #1.41M
二、获取音频的统计信息
使用 sox -n stat 命令获取某音频文件的统计信息。示例如下:
sox Faded.wav -n stat'''Samples read: 18753672
Length (seconds): 212.626667
Scaled by: 2147483647.0
Maximum amplitude: 0.977417
Minimum amplitude: -0.977478
Midline amplitude: -0.000031
Mean norm: 0.229415
Mean amplitude: -0.000006
RMS amplitude: 0.302594
Maximum delta: 1.765564
Minimum delta: 0.000000
Mean delta: 0.69
RMS delta: 0.273320
Rough frequency: 6339
Volume adjustment: 1.023'''
View Code
三、播放与录制
play 和 rec 命令提供了最基本的播放和录制功能。
play existing-file.wav #播放
rec new-file.wav #录制
#上述命令等同于 sox 命令的如下形式:sox existing-file.wav −d #播放
sox −d new-file.wav #录制
#-d 选项用于指定播放或录制时使用的音频设备,不指定时则表示使用默认设备。
播放指定片段
#播放 foo.wav 文件中 10-15s 之间的音频片段
play foo.wav trim 10.0 5.0
#play foo.wav trim 10.0 =15.0
四、音频格式转换
音频数据主要有5个属性
采样率(sample rate):指声音由模拟信号转换成数字信号的过程中,每秒从连续信号中提取的用于组成离散信号的样本个数。 音频CD所用的采样率为 44100 Hz,数字音频磁带和许多计算机系统使用 48000 Hz,专业级音频系统通常使用 96000 Hz。
采样大小(sample size 或 Precision):音频采样时用于存储每个样本的数据位数(bits)。如今 16 bit 的采样大小已被广泛使用,24 bit 主要用于专业音频领域。
编码格式(data encoding):即每个音频样本的表示(即“编码”)方式。常用的编码类型包括 floating-point、μ-law、ADPCM、singed-integer PCM、MP3 和 FLAC 等。
通道(channel):即文件中包含的音频通道的数量。其中单声道(mono)和双声道(stereo)是最常见的两种,“环绕声”音频(Surround sound)通常包含六个或更多声道。
比特率(Bit Rate):表示一个单位时间内编码音频信号占用的存储空间大小, 它的数值一般取决于所有的上述四个参数。
SoX 可以处理 self-describing 和 raw 格式的音频文件。 self-describing 格式(如 WAV、FLAC、MP3)的文件包含一个用于描述信号和编码属性的文件头,而 raw 或 headless 格式的音频则不包含这些信息。 所以当 raw 格式的音频作为输入文件时,需要在 sox 命令的格式选项里指定其信号和编码属性。
常用的音频格式选项:
选项描述
-b, --bits BITS
每个编码样本占用的数据位数
-c, --channels CHANNELS
音频文件包含的通道数
-e, --encoding ENCODING
音频文件的编码类型
-r, --rate RATE
音频文件的采样率
-t, --type FILE-TYPE
音频文件的文件类型
sox Faded.wav Faded.mp3 #将wav文件转换成mp3
#将 Faded.wav 文件转换成单声道后输出
sox Faded.wav -c 1 Faded-mono.wav#####
sox −r 48k −e float −b 32 −c 2 input.raw output.wav
音频效果
SoX 工具可以在音频处理的过程中,对输入的音频数据应用众多的效果。
可以使用如下命令查看所有效果的帮助信息:
sox --help-effect all |less'''sox: SoX v
Effect usage:
allpass frequency width[h|k|q|o]
band [-n] center [width[h|k|q|o]]
bandpass [-c] frequency width[h|k|q|o]
bandreject frequency width[h|k|q|o]
bass gain [frequency(100) [width[s|h|k|q|o]](0.5s)]
bend [-f frame-rate(25)] [-o over-sample(16)] {start,cents,end}
:'''
#也可以直接查看具体某个音频效果的使用方法:
sox --help-effect echo'''sox: SoX v
Effect usage:
echo gain-in gain-out delay decay [ delay decay ... ]'''
View Code
一、更改声道数
将单声道音频转换成双声道
sox foo.wav foostereo.wav channels 2
#sox foo.wav -c 2 foostereo.wav
但是上述命令并没有创建一个“真实”的双声道音频,而是将单声道音频复制成完全一致的两个声道再合并到输出文件中。 可以通过 sox 命令的 -M 选项将左右两个声道的单声道音频合并成一个双声道文件
sox -M left.wav right.wav stereo.wav
将双声道均一程单声道
sox original.wav mono.wav channels 1
#sox original.wav -c 1 mono.wav
remix
remix 效果也可以完成对声道数据的提取或融合
#提取双声道音频文件中单个声道的数据并作为单声道音频输出
sox stereo.wav left.wav remix 1 #提取左声道音频
sox stereo.wav right.wav remix 2 #提取右声道音频
#融合双声道文件中两个声道的音频数据并作为单声道音频输出
sox stereo.wav mono.wav remix 1,2
#或sox stereo.wav mono.wav remix 1-2
此外,remix 还可以将输入文件中的多个声道数据分别进行融合。 如使用 -M 选项将两个双声道音频合并,再通过 remix 将合并得到的四个声道两两融合,生成一个只包含两个声道的输出文件。
sox -M stereo1.wav stereo2.wav output.wav remix 1,3 2,4
二、改变音量
sox -v 0.5 input.wav output.wav #音频放大 0.5 倍
#以 sox foo.wav -n stat -v 命令返回的数字作为放大倍数,将最大化 foo.wav 的音量而不至于出现削波
sox foo.wav -n stat -v 2>vc
sox-v `cat vc` foo.wav foo-maxed.wav
sox--norm=-1 #归一化音频响度
三、提取文件的某个部分
trim 接收两个参数,一个作为裁剪片段的起始位置,另一个作为该片段持续的时间。 可以使用整数+s格式的参数以样本个数作为计量单位,也可以直接使用 ((hh:)mm:)ss(.fs) 形式的时间参数。当参数为纯整数时,单位为秒。
sox Input.wav Half1.wav trim 0 30:00 #截取输入文件中前 30 分钟的音频
sox Input.wav Half2.wav trim 30:00 30:00 #截取输入文件中从第 30 分钟开始到第 60 分钟的音频
四、拼接文件
#注意合并前的音频文件需保持一致的类型和采样率等
sox Half1.wav Half2.wav Full.wav #将 Half1.wav 和 Half2.wav 合并至 Full.wav 文件
五、合成音频
sox 命令可以通过 synth 效果合成许多标准波形和噪声类型。
synth 支持合成的声音类型包括:sine、square、triangle、sawtooth、trapetz (trapezoidal)、exp (exponential)、whitenoise、pinknoise 和 brownnoise
sox -n sine.wav synth 1.0 sine 1000.0 #合成频率为 1000 Hz 长度为 1 秒的正弦波
六、静音效果
sox 命令可以创建静音状态的音频片段,使用 -n 选项表示没有输入,通过 trim 效果指定需要静音的片段。
#在 slience.wav 文件中创建一段长度为 250ms 采样率为 48000Hz 的静音片段
sox -n -r 48000 silence.wav trim 0.0 0.250
七、混合音频
sox 命令的 -m 选项可以将两个音频文件混合以后生成输出文件。
与前面的 -M 选项不同,-m 选项倾向于对声道数据的混合,即两个单声道文件通过 -m 混合以后输出仍是单声道数据。输出文件中的单个声道包含了输入的两个声道的特征。 而 -M 选项更倾向于对音频文件的合并,默认不对声道数据进行混合。所以两个单声道文件通过 -M 合并以后默认输出双声道音频。输出文件中的两个声道分别对应于输入的两个声道(数据没有混合)。除非通过 -c 选项手动指定输出文件的声道数量。
#将 sine100.wav 和 sine250.wav 两个音频文件融合以后作为 sine100-250.wav 文件的音频数据
sox -m sine100.wav sine250.wav sine100-250.wav#将背景音乐(music.mp3)音量降低一半后与放大 2 倍音量的人声数据(speech.wav)融合
sox -m -v0.5 music.mp3 -v2 speech.wav presentation.wav#如果不确定融合效果,可以先通过 play 命令使用相同的参数对结果进行“预览”
play -m -v0.5 music.mp3 -v2 speech.wav
八、改变播放速度
可以通过 stretch 效果改变音频文件的播放速度,同时不会导致音高的变化。
play Faded.wav stretch 0.5 #以 2x 倍速播放 Faded.wav 文件
#也可以通过 speed 效果调节播放速度(相应地音高也会发生变化)
play Faded.wav speed 2
#可以使用 pitch 效果调节音频片段的音高,以音分(cents)为单位
play Faded.wav pitch 200#提高 2 个半音的音程(每一个半音的音程等于 100 音分)