编码与格式 / 系统课时

录制麦克风 PCM 并检测峰值

录制麦克风 PCM 并检测峰值

本课使用 Python 从麦克风采集原始音频,保存为可供播放器和音频工具分析的 PCM 文件,并实时计算峰值电平。完成后,你可以判断麦克风是否正常输入、录音是否接近削波,以及看似录制成功的文件为什么可能只有静音。

学习目标

  • 理解 PCM 的采样率、声道数、采样格式与文件大小之间的关系。
  • 使用 Python 录制 5 秒麦克风音频,并输出原始 PCM 文件。
  • 根据峰值与 RMS 电平识别静音、低电平和疑似过载。

明确 PCM 录制格式

PCM(脉冲编码调制)把声音转换为按固定时间间隔排列的数字采样。本课使用常见的有符号 16 位整数格式,也称 PCM S16LE。

参数 本课取值 含义
采样率 48000 Hz 每秒每声道采集 48000 个样本
声道数 1 单声道
样本格式 int16 每个样本占 2 字节
字节序 Little Endian 低字节在前
录制时长 5 秒 总计 240000 个采样点

PCM 原始文件不包含文件头,因此播放器无法自动识别采样率、声道数或位深,必须手动提供这些参数。

未压缩 PCM 的文件大小可用以下公式计算:

文件字节数=采样率times声道数times每样本字节数times秒数文件字节数=采样率\\times声道数\\times每样本字节数\\times秒数

本课文件理论大小为 48000times1times2times5=48000048000\\times1\\times2\\times5=480000 字节,约 468.75 KiB。该结果不包含任何容器头或编码压缩开销。

安装录制依赖并检查麦克风

示例适用于 Python 3.10 及以上版本,使用 `sounddevice` 读取系统默认输入设备,NumPy 负责处理采样数据。运行环境需要有可访问的麦克风和相应音频驱动。

在终端执行:

bash
python -m pip install sounddevice numpy

预期结果:安装成功时,终端显示相关软件包已安装或成功安装的信息,具体版本取决于环境。

先列出系统识别的音频设备:

bash
python -m sounddevice

预期结果:终端出现设备列表,其中带输入通道的设备可作为录音来源。列表中的设备编号、名称以及默认设备标记依机器而异。

如果没有可用输入设备,先检查麦克风连接、操作系统输入设备设置和应用录音权限。macOS 通常需要在“系统设置 → 隐私与安全性 → 麦克风”中允许使用录音设备的终端或 Python 宿主应用;Windows 可以在“设置 → 隐私和安全性 → 麦克风”中检查权限。

录制 PCM 并计算峰值

使用回调式输入流连续采集音频,每次得到一个包含若干采样帧的 NumPy 数组。将原始样本写入文件,同时计算当前数据块的绝对峰值与 RMS。RMS 用于描述整体信号电平,能避免只凭一次瞬时尖峰判断声音强弱。

保存以下程序为 `record_pcm.py`:

python
import numpy as np
import sounddevice as sd

SAMPLE_RATE = 48000
CHANNELS = 1
DURATION = 5
BLOCK_SIZE = 1024
OUTPUT = 'microphone.pcm'

peak_max = 0
sum_squares = 0.0
sample_count = 0


def on_audio(indata, frames, time_info, status):
    global peak_max, sum_squares, sample_count
    if status:
        print(f'录制状态: {status}')

    # 原始 int16 字节直接写入文件,避免改变采样格式。
    pcm_file.write(indata.tobytes())
    values = indata.astype(np.float64).reshape(-1)
    peak = int(np.max(np.abs(values)))
    peak_max = max(peak_max, peak)
    sum_squares += float(np.dot(values, values))
    sample_count += values.size


def to_dbfs(amplitude):
    # 以 16 位 PCM 的 32768 为归一化基准。
    if amplitude <= 0:
        return float('-inf')
    return 20 * np.log10(amplitude / 32768.0)


with open(OUTPUT, 'wb') as pcm_file:
    with sd.InputStream(
        samplerate=SAMPLE_RATE,
        channels=CHANNELS,
        dtype='int16',
        blocksize=BLOCK_SIZE,
        callback=on_audio,
    ):
        print('开始录制,请对着麦克风说话...')
        sd.sleep(DURATION * 1000)

rms = np.sqrt(sum_squares / sample_count) if sample_count else 0.0
print(f'采样数量: {sample_count}')
print(f'最大峰值: {peak_max}')
print(f'峰值电平: {to_dbfs(peak_max):.1f} dBFS')
print(f'RMS 电平: {to_dbfs(rms):.1f} dBFS')
print(f'文件: {OUTPUT}')

运行命令:

bash
python record_pcm.py

预期输出示例(假设已正常说话,具体峰值与采样数量会变化):

text
开始录制,请对着麦克风说话...
采样数量: 240640
最大峰值: 12500
峰值电平: -8.4 dBFS
RMS 电平: -24.0 dBFS
文件: microphone.pcm

示例使用约 5 秒的系统计时采集,并按完整回调数据块写入,因此样本数通常接近但不保证恰好等于 240000。输出中的数值只是展示格式,并非固定测试结果。某些设备不支持指定的 48000 Hz 或输入流参数,此时会抛出音频设备错误,应检查设备支持的采样率与通道数。

需要注意,录音回调属于实时音频处理路径。示例为了易于理解,在回调中执行了文件写入和统计计算;正式录音程序应将采样块交给缓冲队列,再由后台工作线程写盘和计算,以减少回调超时、输入溢出或丢帧的风险。

判断静音、正常电平和过载

对于 int16,数值范围为 -32768 至 32767。峰值检测必须先转换为更宽的整数或浮点类型,再计算绝对值;如果直接在 int16 上计算 `abs(-32768)`,可能因为溢出而得到错误结果。本课使用 float64 解决这一问题。

峰值 dBFS 的计算公式为:

L_peak=20log_10left(fracP32768right)L\_{peak}=20\\log\_{10}\\left(\\frac{P}{32768}\\right)

其中 PP 是最大绝对采样值。数字满幅约为 0 dBFS,完全静音时结果为负无穷。dBFS 不是环境声压级 dB SPL,不能用于直接判断实际环境噪声是否超标。

下面的阈值适合作为语音录制的初始排查参考,并非所有麦克风和场景通用的质量标准。

测量结果 初步判断 建议处理
峰值始终为 0 数字静音 检查输入设备和权限
RMS 低于 -60 dBFS 接近静音或输入很弱 说话测试并检查增益
语音峰值 -18 至 -6 dBFS 通常有较好的峰值余量 进一步检查 RMS 与主观听感
峰值接近 0 dBFS 存在削波风险 降低输入增益并检查波形

例如最大绝对采样值为 16384,对应 -6.02 dBFS;若 RMS 为 3276.8,则约为 -20 dBFS。两者相差约 14 dB,说明信号中存在明显的瞬时峰值。

仅凭峰值不能证明发生了削波:一个样本达到满幅可能是瞬态信号,也可能是前级已经失真的结果。可以额外统计达到 32767 或 -32768 的样本数量,结合连续贴顶波形和实际听感判断。自动增益控制、降噪和限幅也可能影响测量值。

验证 PCM 文件与录音内容

录制结束后首先检查文件是否存在、大小是否接近预估值,再使用 FFmpeg 按指定格式播放或转换。FFmpeg 需要预先安装并加入系统命令搜索路径。

执行下面的命令,把原始 PCM 封装成便于试听的 WAV:

bash
ffmpeg -f s16le -ar 48000 -ac 1 -i microphone.pcm -c:a pcm_s16le microphone.wav

预期结果:FFmpeg 正常结束并生成 `microphone.wav`。该文件可以使用常见音频播放器打开;录音长度接近 5 秒,播放时能听到录制时的声音。

还可以通过 `ffprobe` 核对转换后的音频参数:

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

预期输出:

text
codec_name=pcm_s16le
sample_rate=48000
channels=1

如果文件存在却听不到声音,按以下顺序排查:

  1. 检查峰值和 RMS。两者均为负无穷时,确认是否选错设备、被系统静音或未授权录音。
  2. 检查播放解释参数。将 48000 Hz 的 PCM 误按 44100 Hz 播放,会导致时长和音高异常。
  3. 检查文件字节数。单声道 int16 文件大小应为偶数;若实际大小远小于约 480000 字节,应排查采集提前中断、设备错误或回调状态信息。
  4. 若峰值持续接近 0 dBFS 且听到破音,降低系统或声卡的输入增益后重新录制,再比较峰值与听感。

完成验证的标准是:文件能够被正确解码、采样率与声道数符合约定、说话时电平明显高于静音底噪,并且不存在持续满幅或明显破音。这样得到的 PCM 文件就可以继续用于波形显示、编码器输入与音频分析。

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

录制麦克风 PCM 并检测峰值

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