2. 声学基础

做音频算法，第一步不是写代码，而是搭环境。这事儿看着简单，但我在项目里见过太多人因为库版本冲突、读写格式不对、采样率不一致，白白浪费一整天。今天咱们就把这几个主流库——librosa、soundfile、pydub、scipy.io.wavfile——掰开揉碎讲清楚。

2.1 环境准备：先装好Python和pip

嗯，这步其实没什么好说的。Python 3.8以上版本都行，我建议直接用3.10或3.11，兼容性最好。装好之后，确认一下pip版本：

python --version
pip --version

如果你用的是Anaconda，那更省事，很多科学计算库已经预装了。不过我个人习惯用原生Python + venv，轻量，好管理。

2.2 四大库的安装与核心定位

咱们一个一个来。先看安装命令，再看它们各自擅长什么。

你可能会问：为什么需要四个库？一个不够用吗？

说实话，每个库都有自己的脾气。librosa功能最全，但依赖重、加载慢；soundfile读写快，但功能单一；pydub做音频拼接、格式转换特别顺手；scipy.io.wavfile最轻量，适合快速验证。我在实际项目中，通常是混合使用——用librosa做特征提取，用soundfile做底层IO，用pydub做预处理。

2.3 各库的详细对比

2.3.1 librosa：音频特征提取的王者

librosa是我用得最多的库。它内置了MFCC、梅尔频谱、色度特征、节奏特征等几十种声学特征提取函数。安装时它会自动拉取numba、scikit-learn等依赖，所以第一次安装会慢一些。

import librosa

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

# 提取MFCC特征
mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
print(mfcc.shape)  # (13, 帧数)

2.3.2 soundfile：高性能IO，格式支持广

soundfile底层基于libsndfile，读写速度非常快。它支持WAV、FLAC、OGG等格式，而且能直接返回numpy数组。我一般用它来做数据加载的底层引擎。

import soundfile as sf

# 读取音频，返回数据和采样率
data, sr = sf.read('speech.wav')

# 写入音频
sf.write('output.wav', data, sr)

它比librosa的load函数快不少，尤其是在批量处理大量音频文件时。如果你只需要读写，不涉及特征提取，soundfile是首选。

2.3.3 pydub：音频编辑的瑞士军刀

pydub的API设计非常人性化，适合做音频剪辑、拼接、音量调整、格式转换。它依赖ffmpeg来处理非WAV格式，所以需要额外安装ffmpeg。

from pydub import AudioSegment

# 加载音频
audio = AudioSegment.from_file('speech.mp3')

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

# 调整音量 +3dB
louder = segment + 3

# 导出为WAV
louder.export('segment.wav', format='wav')

2.3.4 scipy.io.wavfile：轻量级选择

这个库是SciPy的一部分，不需要额外安装。它只支持WAV格式，但胜在轻量、无依赖。适合在嵌入式环境或快速原型中使用。

from scipy.io import wavfile

# 读取WAV
sr, data = wavfile.read('speech.wav')

# 写入WAV
wavfile.write('output.wav', sr, data)

注意：它读取的数据类型是int16（16位PCM），而librosa和soundfile默认返回float32。这个差异容易踩坑，我见过有人直接把int16数据送进模型，结果梯度爆炸了。

2.4 选型对比：什么时候用哪个？

下面这张表是我在实际项目中的经验总结，你直接拿去用就行。

2.5 知识体系总览

下面这张SVG图帮你理清这四个库的关系和适用场景。你可以把它当作选型时的快速参考。

2.6 安装常见问题与避坑

最后，我把自己踩过的坑和学员常问的问题整理一下。

• librosa安装失败： 多半是numba版本冲突。试试 pip install numba==0.56.4 再装librosa。
• soundfile报错"libsndfile not found"： Windows下需要安装libsndfile二进制文件，或者用conda安装：conda install -c conda-forge libsndfile。
• pydub无法读取MP3： 没装ffmpeg。去ffmpeg官网下载，或者用 conda install -c conda-forge ffmpeg。
• scipy.io.wavfile读取的音频是int16： 记得归一化到float32：data = data.astype(np.float32) / 32768.0。