Obtener amplitud máxima para un archivo de audio por segundo

Question

Sé que hay algunas preguntas similares aquí, pero la mayoría de ellas se refieren a la generación de la forma de onda imágenes, que no es lo que quiero.

Mi objetivo es generar una visualización de forma de onda para un archivo de audio, similar a SoundCloud, pero no una imagen. Me gustaría tener los datos de amplitud máxima para cada segundo (o medio segundo) de un clip de audio en una matriz. Luego podría usar estos datos para crear una visualización basada en CSS.

Idealmente, me gustaría obtener una matriz que tenga todos los valores de amplitud para cada segundo como porcentaje de la amplitud máxima de todo el archivo de audio. Aquí hay un ejemplo:

[
    0.0,  # Relative max amplitude of first second of audio clip (0%)
    0.04,  # Relative max amplitude of second second of audio clip (4%)
    0.15,  # Relative max amplitude of third second of audio clip (15%)
    # Some more
    1.0,  # The highest amplitude of the whole audio clip will be 1.0 (100%)
]

Supongo que tendré que usar al menos numpy y Python's wave Módulo, pero no estoy seguro de cómo obtener los datos que quiero. Me gustaría usar Python, pero no estoy completamente en contra de usar algún tipo de herramienta de línea de comandos.

Answer 1

Si permite GStreamer, aquí hay un pequeño script que podría hacer el truco. Acepta cualquier archivo de audio que Gstreamer pueda manejar.

• Construya una tubería GStreamer, use AudioConvert para reducir los canales a 1 y use el módulo de nivel para obtener picos
• Ejecute la tubería hasta que se golpee EOS
• Normalice los picos del min/máximo encontrado.

Retazo:

import os, sys, pygst
pygst.require('0.10')
import gst, gobject
gobject.threads_init()

def get_peaks(filename):
    global do_run

    pipeline_txt = (
        'filesrc location="%s" ! decodebin ! audioconvert ! '
        'audio/x-raw-int,channels=1,rate=44100,endianness=1234,'
        'width=32,depth=32,signed=(bool)True !'
        'level name=level interval=1000000000 !'
        'fakesink' % filename)
    pipeline = gst.parse_launch(pipeline_txt)

    level = pipeline.get_by_name('level')
    bus = pipeline.get_bus()
    bus.add_signal_watch()

    peaks = []
    do_run = True

    def show_peak(bus, message):
        global do_run
        if message.type == gst.MESSAGE_EOS:
            pipeline.set_state(gst.STATE_NULL)
            do_run = False
            return
        # filter only on level messages
        if message.src is not level or \
           not message.structure.has_key('peak'):
            return
        peaks.append(message.structure['peak'][0])

    # connect the callback
    bus.connect('message', show_peak)

    # run the pipeline until we got eos
    pipeline.set_state(gst.STATE_PLAYING)
    ctx = gobject.gobject.main_context_default()
    while ctx and do_run:
        ctx.iteration()

    return peaks

def normalize(peaks):
    _min = min(peaks)
    _max = max(peaks)
    d = _max - _min
    return [(x - _min) / d for x in peaks]

if __name__ == '__main__':
    filename = os.path.realpath(sys.argv[1])
    peaks = get_peaks(filename)

    print 'Sample is %d seconds' % len(peaks)
    print 'Minimum is', min(peaks)
    print 'Maximum is', max(peaks)

    peaks = normalize(peaks)
    print peaks

Y un ejemplo de salida:

$ python gstreamerpeak.py 01\ Tron\ Legacy\ Track\ 1.mp3 
Sample is 182 seconds
Minimum is -349.999999922
Maximum is -2.10678956719
[0.0, 0.0, 0.9274581631597019, 0.9528318436488018, 0.9492396611762614,
0.9523404330322813, 0.9471685835966183, 0.9537281219301242, 0.9473486577135167,
0.9479292126411365, 0.9538221105563514, 0.9483845795252251, 0.9536790832823281,
0.9477264933378022, 0.9480077366961968, ...