2. Python音频环境搭建：librosa、soundfile、pydub、scipy.io.wavfile等库的安装与基础用法

做音频处理，第一步就是把环境搭好。这事听起来简单，但我见过不少同学卡在安装环节，一卡就是半天。说白了，音频库的底层依赖比普通Python库要复杂一些——有些需要C编译器，有些跟FFmpeg纠缠不清。

今天我就带你把这几个核心库装好、跑通。你跟着我的步骤来，应该不会出大问题。

2.1 核心库一览：它们各自负责什么？

音频处理不像图像处理，OpenCV几乎能包打天下。音频领域是「各司其职」的格局。我整理了一张表，你看一眼就明白了：

你可能会问：「为什么需要这么多库？一个librosa不够吗？」
嗯，librosa确实强大，但它读音频时底层调的是soundfile或audioread。而且pydub处理剪辑操作比librosa方便得多——我做过一个音频分割工具，用librosa写要30行，用pydub 5行搞定。

2.2 安装实战：从pip到踩坑修复

2.2.1 基础安装命令

先装最核心的几个。我个人习惯用虚拟环境，避免污染全局Python：

# 创建虚拟环境（推荐）
python -m venv audio_env
source audio_env/bin/activate  # Windows用 audio_env\Scripts\activate

# 安装核心库
pip install librosa soundfile pydub scipy

正常情况下，这几条命令就能装好。但——我遇到过好几次librosa装完后import报错，提示找不到soundfile。为什么会这样？因为librosa 0.9.0以上版本把soundfile列为可选依赖，不会自动安装。

2.2.2 pydub的特殊依赖：FFmpeg

pydub本身是纯Python的，但它处理非WAV格式（MP3、M4A、OGG）时需要FFmpeg做后端。我第一次用pydub读MP3时直接报错，当时还以为是库坏了。

安装FFmpeg的方式：

• Windows： 去ffmpeg.org下载预编译包，把bin目录加到系统PATH
• macOS： brew install ffmpeg
• Linux： sudo apt install ffmpeg

装完后验证一下：

import pydub
from pydub import AudioSegment

# 如果能正常执行，说明FFmpeg配置好了
audio = AudioSegment.from_file("test.mp3", format="mp3")
print("FFmpeg可用，音频时长:", len(audio), "毫秒")

2.3 基础用法：每个库的「Hello World」

理论说完了，咱们直接上手。我准备了四个小例子，每个库一个，你复制到本地跑一遍就能感受到它们的风格差异。

2.3.1 librosa：加载并查看音频基本信息

import librosa

# 加载音频，librosa会自动重采样到22050Hz
y, sr = librosa.load('speech.wav', sr=22050)

print(f"采样率: {sr} Hz")
print(f"音频长度: {len(y)} 个采样点")
print(f"时长: {len(y)/sr:.2f} 秒")
print(f"数据类型: {y.dtype}")

# 提取MFCC特征（语音识别中最常用的特征）
mfccs = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
print(f"MFCC形状: {mfccs.shape}")  # (13, 帧数)

注意librosa默认把音频归一化到[-1, 1]之间，而且会转成单声道。如果你需要保留原始采样率和多声道，记得传参数：librosa.load('file.wav', sr=None, mono=False)。

2.3.2 soundfile：精确控制读写

soundfile是我做数据预处理时的主力。它直接返回numpy数组，不做任何「自作主张」的处理：

import soundfile as sf

# 读取音频，保持原始格式
data, samplerate = sf.read('speech.wav')
print(f"采样率: {samplerate}, 数据形状: {data.shape}")

# 写入新文件
sf.write('output.wav', data, samplerate)

# 支持FLAC格式（无损压缩）
sf.write('output.flac', data, samplerate, format='FLAC')

2.3.3 pydub：像剪辑视频一样处理音频

pydub的API设计得很直观，适合做快速编辑：

from pydub import AudioSegment

# 加载音频
audio = AudioSegment.from_wav('speech.wav')

# 截取前10秒
first_10s = audio[:10000]  # 单位是毫秒

# 音量提升6dB
louder = audio + 6

# 拼接两段音频
combined = audio + audio

# 导出为MP3
combined.export('combined.mp3', format='mp3', bitrate='192k')

print(f"原始时长: {len(audio)/1000:.1f}秒")
print(f"拼接后时长: {len(combined)/1000:.1f}秒")

你看，pydub的操作符重载用得很巧妙——+是拼接，+6是调音量。我第一次看到时觉得有点怪，用习惯了反而觉得顺手。

2.3.4 scipy.io.wavfile：最轻量的选择

如果你只是需要读写WAV文件，不想装任何第三方库，scipy自带的功能就够了：

from scipy.io import wavfile

# 读取WAV
samplerate, data = wavfile.read('speech.wav')
print(f"采样率: {samplerate}, 数据形状: {data.shape}, 数据类型: {data.dtype}")

# 写入WAV（注意：数据必须是整数类型）
wavfile.write('output.wav', samplerate, data)

# 如果数据是浮点型，需要先转换
import numpy as np
float_data = np.array(data, dtype=np.float32) / 32768.0
# 写回去时要转回int16
int_data = (float_data * 32767).astype(np.int16)
wavfile.write('converted.wav', samplerate, int_data)

2.4 知识体系总览

下面这张图把本章的核心脉络画出来了。你对照着看，哪个库解决什么问题，一目了然：

2.5 选库建议：什么场景用什么？

学完基础用法后，你可能会纠结「到底该用哪个」。我根据实际项目经验，给你几个判断标准：

• 做语音识别/音乐分类： 直接用librosa。它的MFCC、色谱图、时频图一条龙搞定，省心。
• 做数据预处理管道： soundfile + numpy。精确、可控、不搞小动作。
• 做音频编辑工具： pydub。拼接、裁剪、淡入淡出，API直观到不需要查文档。
• 写个简单脚本测试： scipy.io.wavfile。零额外依赖，拿来就用。