音频开发 / 系统课时

搭好 Python 音频开发环境

搭好 Python 音频开发环境

本节把 Python、FFmpeg、音频处理库和本机播放链路一次验证完。完成后你会得到隔离的虚拟环境,能够生成测试音频、读取 WAV 文件、检查采样参数并播放声音,为后续接入 ASR 与 TTS 留下一套可复用的基础工具链。

学习目标

  • 创建独立的 Python 虚拟环境并安装音频处理依赖。
  • 安装并验证 FFmpeg,确认命令行音频工具可用。
  • 用可重复生成的测试音频完成读取、格式检查和播放。

先确认 Python 与虚拟环境

建议使用 Python 3.10 或更高版本。先确认解释器可以运行;不同系统的命令可能是 python 或 python3。

bash
python --version

预期输出:

text
Python 3.<VERSION>

实际小版本可能不同,只要满足项目版本要求即可。接着创建并激活虚拟环境,然后升级其中的 pip。

bash
python -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip

预期结果:

text
Successfully installed pip-<VERSION>

Windows PowerShell 中,激活命令改为 .\.venv\Scripts\Activate.ps1。如果脚本执行策略阻止激活,可在当前终端执行 Set-ExecutionPolicy -Scope Process RemoteSigned,该设置只对当前 PowerShell 进程生效。

安装 FFmpeg 与 Python 音频依赖

FFmpeg 提供转码、重采样和格式探测能力。macOS 可使用 Homebrew,Ubuntu 或 Debian 可使用 APT,Windows 可使用 WinGet;只执行与你当前系统对应的一条命令。

bash
brew install ffmpeg

预期结果:

text
<PACKAGE_MANAGER_OUTPUT>

安装命令应以成功状态结束,具体日志和版本号会随 Homebrew 当前仓库变化。在 Ubuntu 或 Debian 上执行:

bash
sudo apt update && sudo apt install -y ffmpeg

预期结果:

text
<PACKAGE_MANAGER_OUTPUT>

APT 应完成 ffmpeg 及其依赖安装,具体包版本和日志可能不同。在 Windows PowerShell 上执行:

powershell
winget install --id Gyan.FFmpeg -e

预期结果:

text
<PACKAGE_MANAGER_OUTPUT>

WinGet 应报告软件包安装成功。无论使用哪一种方式,最终都用 FFmpeg 自己的命令验证,而不是依赖包管理器日志。

bash
ffmpeg -version
ffprobe -version

预期输出:

text
ffmpeg version <VERSION> ...
ffprobe version <VERSION> ...

Python 侧使用 soundfile 读取音频、sounddevice 播放音频、numpy 承载样本数组。

bash
python -m pip install numpy soundfile sounddevice

预期结果:

text
Successfully installed ... numpy-<VERSION> ... sounddevice-<VERSION> ... soundfile-<VERSION> ...

安装顺序和附带依赖可能不同,只要三个包最终均安装成功即可。

生成一段稳定的测试音频

不必下载外部素材,直接让 FFmpeg 生成 2 秒、16 kHz、单声道的 440 Hz 正弦波 WAV。这样每台开发机都能使用同一输入复现实验。

bash
ffmpeg -f lavfi -i "sine=frequency=440:duration=2" -ar 16000 -ac 1 test.wav -y

预期结果:

text
<FFMPEG_LOG>

FFmpeg 日志会包含本机版本、编码器和处理速度,实际文本不固定。判断标准是命令退出码为 0,并且当前目录生成 test.wav。随后用 ffprobe 检查真正影响 ASR 的关键格式参数。

bash
ffprobe -v error -select_streams a:0 -show_entries stream=codec_name,sample_rate,channels -of default=noprint_wrappers=1 test.wav

预期输出:

text
codec_name=pcm_s16le
sample_rate=16000
channels=1

这说明文件采用 16 位 PCM、16 kHz 采样率和单声道,后续接入许多语音识别接口时都很容易继续转换。

用 Python 读取并播放

下面的程序读取刚生成的 test.wav,打印采样率、声道数、帧数和时长,然后调用系统默认音频输出设备播放。保存为 check_audio.py。

python
from pathlib import Path

import sounddevice as sd
import soundfile as sf


audio_path = Path("test.wav")

# 固定返回二维数组,单声道和多声道都能用同一种方式取得声道数。
samples, sample_rate = sf.read(audio_path, dtype="float32", always_2d=True)
channels = samples.shape[1]
duration = len(samples) / sample_rate

print(f"sample_rate={sample_rate}")
print(f"channels={channels}")
print(f"frames={len(samples)}")
print(f"duration={duration:.2f}s")

# 阻塞到播放完成,让设备错误直接在当前进程中暴露。
sd.play(samples, samplerate=sample_rate, blocking=True)
print("playback=done")

运行程序:

bash
python check_audio.py

预期输出:

text
sample_rate=16000
channels=1
frames=32000
duration=2.00s
playback=done

如果前四行正确但播放阶段报设备错误,优先检查系统默认输出设备、远程运行环境以及操作系统的音频权限。如果 ffprobe 显示的采样率或声道不符合预期,则应回到生成命令检查 -ar 16000 和 -ac 1 是否真正执行。

工具链通过的判定标准

环境可用至少要满足三点:ffmpeg 与 ffprobe 能正常执行;Python 能读取 test.wav 并得到 16 kHz、单声道、2 秒的结果;存在本地音频设备时可以听到短促的 440 Hz 提示音。后续接 ASR 时可以继续复用同一套格式检查流程,接 TTS 时也能用它验证服务返回的音频是否满足播放要求。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

搭好 Python 音频开发环境

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通