4. 音频信号的读取与写入：soundfile 与 librosa 实战
音频文件的读写，是声学前端处理的第一步。说白了，你连数据都读不进来，后面那些降噪、回声消除、波束成形全是空谈。
我刚开始做音频算法时，觉得读个 wav 文件嘛，简单。结果第一次拿到一个 32 位浮点格式的测试文件，用默认参数一读，数据全乱了。嗯，从那以后我再也不敢小看这一步。
这一节，我们就来聊聊怎么用 Python 里最常用的两个库——soundfile 和 librosa——把不同格式的音频文件读进来，写出去。同时把采样率、位深、通道数这三个核心概念彻底搞清楚。
4.1 三个核心参数：采样率、位深、通道数
在动手写代码之前，我们先统一一下认知。这三个参数决定了音频文件的质量和大小，也决定了后续算法的处理方式。
| 参数 | 英文 | 含义 | 常见值 |
|---|---|---|---|
| 采样率 | Sample Rate | 每秒采集的样本点数，单位 Hz | 8000, 16000, 44100, 48000 |
| 位深 | Bit Depth | 每个样本点用多少位二进制数表示 | 16-bit, 24-bit, 32-bit float |
| 通道数 | Channels | 音频信号的独立声道数量 | 1 (Mono), 2 (Stereo) |
核心关系：音频数据量 = 采样率 × 位深 × 通道数 × 时长。你想想看，同样的 10 秒音频，48kHz/32-bit/立体声 比 16kHz/16-bit/单声道 大了整整 12 倍。
我在项目中遇到过最坑的一次：客户给的音频文件标称是 16kHz，我直接用 librosa 加载，没检查采样率。结果算法跑出来的延迟全不对，排查了半天才发现文件实际是 48kHz 重采样下来的。所以，永远不要相信文件名和元数据，一定要在代码里显式检查。
4.2 使用 soundfile 读写音频
soundfile 是我个人最常用的底层读写库。它基于 libsndfile，支持绝大多数常见格式，而且读写速度非常快。
4.2.1 读取音频文件
import soundfile as sf
# 读取音频文件
data, samplerate = sf.read('example.wav')
print(f"采样率: {samplerate} Hz")
print(f"数据形状: {data.shape}")
print(f"数据类型: {data.dtype}")这里要注意：sf.read() 返回的 data 默认是 numpy 数组。如果是单声道，形状是 (样本数,)；如果是立体声，形状是 (样本数, 2)。
我的习惯：读取后立刻检查 data.dtype。如果是 float64 或 int16，后续处理可能需要统一转成 float32，因为大部分深度学习框架和 DSP 算法都默认用 float32。
4.2.2 写入音频文件
import numpy as np
# 生成一个 1 秒的 440Hz 正弦波
fs = 44100
t = np.linspace(0, 1, fs, endpoint=False)
sine_wave = 0.5 * np.sin(2 * np.pi * 440 * t)
# 写入文件
sf.write('sine_440.wav', sine_wave, fs, subtype='PCM_16')
# 也可以指定其他格式
sf.write('sine_440.flac', sine_wave, fs, subtype='PCM_24')
sf.write('sine_440.ogg', sine_wave, fs, format='OGG', subtype='VORBIS')subtype 参数控制位深和编码格式。常用的有：
PCM_16：16 位整数，最通用PCM_24：24 位整数，录音棚常用PCM_32：32 位整数，少见FLOAT：32 位浮点，内部处理常用
我曾经踩过的坑：写入 16-bit PCM 文件时，数据范围必须是 [-1.0, 1.0] 的浮点数，soundfile 会自动做量化。如果你传进去的是 int16 的 numpy 数组，它不会报错，但写出来的文件会完全失真。切记：写 PCM_16 时，输入数据归一化到 [-1, 1]。
4.3 使用 librosa 读取音频
librosa 是音频分析领域的瑞士军刀。它封装了 soundfile 和 audioread，提供了更高级的接口。我个人习惯在做特征提取时用 librosa，做底层 I/O 时用 soundfile。
4.3.1 基本读取
import librosa
# 读取音频，默认重采样到 22050 Hz
data, sr = librosa.load('example.wav')
print(f"采样率: {sr} Hz")
print(f"数据形状: {data.shape}")
print(f"时长: {len(data)/sr:.2f} 秒")注意：librosa.load() 默认会做两件事：
- 重采样到 22050 Hz（除非你指定
sr=None） - 混音到单声道（立体声会取平均）
如果你需要保持原始采样率和通道数，一定要显式设置：
# 保持原始采样率，保持立体声
data, sr = librosa.load('example.wav', sr=None, mono=False)
print(f"通道数: {data.shape[0]}") # 注意：librosa 返回的是 (通道, 样本) 格式重要区别：soundfile 返回的数组形状是 (样本, 通道)，而 librosa 返回的是 (通道, 样本)。这个差异在写代码时很容易搞混，我至少因为这个 bug 排查过三次。
4.3.2 指定读取片段
处理长音频时，我们经常只需要读取某一段。librosa 提供了很方便的参数：
# 只读取第 10 秒到第 15 秒的片段
data, sr = librosa.load('long_audio.wav', offset=10.0, duration=5.0)
# 从第 30 秒开始，读取 10 秒
data, sr = librosa.load('long_audio.wav', offset=30.0, duration=10.0)这个功能在做大数据集训练时特别有用。你想想看，一个 2 小时的会议录音，你不需要全部加载到内存里，按需读取片段就行了。
4.4 格式支持对比
不同库支持的格式不一样。我整理了一个表格，方便你快速查阅：
| 格式 | soundfile | librosa | 备注 |
|---|---|---|---|
| WAV (PCM) | ✅ 完整支持 | ✅ 完整支持 | 最通用的无损格式 |
| FLAC | ✅ 支持 | ✅ 支持 | 无损压缩，文件小 |
| OGG/Vorbis | ✅ 支持 | ✅ 支持 | 有损压缩，适合流媒体 |
| MP3 | ❌ 不支持 | ✅ 支持（需 audioread） | 有损压缩，最普及 |
| M4A/AAC | ❌ 不支持 | ✅ 支持（需 audioread） | 苹果生态常用 |
我的建议：在工程落地时，尽量统一用 WAV 或 FLAC 格式。MP3 和 M4A 的解码依赖外部库，不同环境下的解码结果可能有微小差异，这在做算法对比时是个大坑。
4.5 知识体系总览
下面这张图总结了本章的核心逻辑：从文件到内存数组，再回到文件，中间涉及的所有关键参数和注意事项。
4.6 实战建议与避坑指南
最后，分享几个我在实际项目中积累的经验：
- 统一采样率：在训练数据准备阶段，先把所有音频重采样到同一个采样率（比如 16kHz 或 48kHz），避免后续处理时反复重采样引入失真。
- 检查文件完整性：我曾经遇到过一批 WAV 文件，头部信息正常，但实际数据是截断的。建议读取后检查
len(data) / sr是否接近预期时长。 - 批量处理时用 soundfile：librosa 的
load()每次都会创建新的音频解码器，批量处理上千个文件时，soundfile 的速度优势非常明显。 - 写入时注意数据范围：再次强调，写 16-bit PCM 时数据范围 [-1, 1]，写 32-bit float 时范围 [-1, 1] 或更大都可以，但写 24-bit 时最好也归一化到 [-1, 1]。
我曾经犯过的错：有一次做数据增强，把音频乘以 2 后直接写回文件，没做 clipping 处理。结果 16-bit 文件里全是削波失真，听起来像破锣。从那以后，我每次写文件前都会加一句 np.clip(data, -1.0, 1.0)。
好了，这一节的内容就到这里。音频读写看似简单，但细节决定成败。你把这些基础打牢了，后面做滤波、降噪、特征提取时才能得心应手。