SoX — 音频处理工具里的瑞士军刀

 

一、简介

SoX 可以读取和写入常见格式的音频文件，并在此过程中选择性的加入一些声音效果。
它可以组合多个输入源及合成音效，在许多系统上也可以作为音频播放器或多轨录音机使用。
SoX 工具在大部分 Linux 系统上都可以直接通过软件包管理器安装（如 sudo apt-get install sox），Mac 系统上则可以使用 brew install sox 命令。

SoX 处理音频的基本流程如下：
Input(s) -> Combiner -> Effects -> Output(s)

SoX 工具的所有功能都可以通过一个简单的 sox 命令及相应的选项实现。但它同时提供了 play命令用于播放音频文件，rec 命令用于录制音频，以及 soxi 命令用于获取音频的文件头中包含的信息。

上述几个命令的基本格式如下：

SYNOPSIS
       sox [global-options] [format-options] infile1
            [[format-options] infile2] ... [format-options] outfile
            [effect [effect-options]] ...

       play [global-options] [format-options] infile1
            [[format-options] infile2] ... [format-options]
            [effect [effect-options]] ...

       rec [global-options] [format-options] outfile
            [effect [effect-options]] ...
       
       soxi [-V[level]] [-T] [-t|-r|-c|-s|-d|-D|-b|-B|-p|-e|-a] infile1 ...

二、基本使用

1. 获取音频文件的元数据

soxi 或 sox --i 命令可以通过分析音频文件的文件头，获取其元数据（如通道数、采样率、编码等）。

$ soxi Faded.wav

Input File     : 'Faded.wav'
Channels       : 2
Sample Rate    : 44100
Precision      : 16-bit
Duration       : 00:03:32.63 = 9376836 samples = 15947 CDDA sectors
File Size      : 37.5M
Bit Rate       : 1.41M
Sample Encoding: 16-bit Signed Integer PCM

soxi 命令跟上某个特定的选项可以只获取该选项对应的信息，如只显示某音频文件 Faded.wav 的比特率（Bit Rate）：

$ soxi -B Faded.wav
1.41M

soxi 命令支持的所有选项及其含义如下：

$ soxi
Usage: soxi [-V[level]] [-T] [-t|-r|-c|-s|-d|-D|-b|-B|-p|-e|-a] infile1 ...

-t  Show detected file-type
-r  Show sample-rate
-c  Show number of channels
-s  Show number of samples (0 if unavailable)
-d  Show duration in hours, minutes and seconds (0 if unavailable)
-D  Show duration in seconds (0 if unavailable)
-b  Show number of bits per sample (0 if not applicable)
-B  Show the bitrate averaged over the whole file (0 if unavailable)
-p  Show estimated sample precision in bits
-e  Show the name of the audio encoding
-a  Show file comments (annotations) if available

With no options, as much information as is available is shown for
each given file.

2. 获取音频的统计信息

可以使用 sox <inputfile> -n stat 命令获取某音频文件的统计信息。示例如下：

$  sox Faded.wav -n stat
Samples read:          18753672
Length (seconds):    212.626667
Scaled by:         2147483647.0
Maximum amplitude:     0.977417
Minimum amplitude:    -0.977478
Midline amplitude:    -0.000031
Mean    norm:          0.229415
Mean    amplitude:    -0.000006
RMS     amplitude:     0.302594
Maximum delta:         1.765564
Minimum delta:         0.000000
Mean    delta:         0.202369
RMS     delta:         0.273320
Rough   frequency:         6339
Volume adjustment:        1.023

3. 播放与录制

play 和 rec 命令提供了最基本的播放和录制功能。
播放：$ play existing-file.wav
录制：$ rec new-file.wav

上述命令等同于 sox 命令的如下形式：
$ sox existing-file.wav −d（播放）和 sox −d new-file.wav（录制）
其中 -d 选项用于指定播放或录制时使用的音频设备，不指定时则表示使用默认设备。

可以这样理解：

• sox existing-file.wav -d 就是从 existing-file.wav 文件中读取其包含的音频数据，再输出到 -d （默认音频设备，扬声器）进行播放；
• sox -d new-file.wav 就是从 -d （默认音频设备，麦克风）中读取音频数据，再输出（录制）到 new-file.wav 文件中。

其实都遵循了一个基本的格式，即 sox <input> <output> 。而其中的 <input> 和 <output> 根据需要既可以为某个具体的音频文件，也可以是某个具体的音频设备。

---

播放或录制的同时，也可以对音频文件应用指定的编辑操作或效果选项，因此在对音频数据应用某效果前，可以先使用 play 命令进行“预览”。

如 trim 效果可以从音频文件中裁剪提取指定的片段到输出文件。play 命令通过该效果可以直接播放指定片段：
$ play foo.wav trim 10.0 5.0 或 $ play foo.wav trim 10.0 =15.0
播放 foo.wav 文件中 10-15s 之间的音频片段

使用 echo 效果播放 Faded.wav 文件：

$ play Faded.wav echo 0.8 0.88 200.0 0.4

Faded.wav:

 File Size: 37.5M     Bit Rate: 1.41M
  Encoding: Signed PCM
  Channels: 2 @ 16-bit
Samplerate: 44100Hz
Replaygain: off
  Duration: 00:03:32.63

In:12.1% 00:00:25.82 [00:03:06.81] Out:1.14M [-=====|=====-] Hd:2.7 Clip:0

4. 音频格式转换

文件格式类型

对于音频数据格式的描述，主要通过以下 4 种属性：

• 采样率（sample rate）：指声音由模拟信号转换成数字信号的过程中，每秒从连续信号中提取的用于组成离散信号的样本个数。
  音频CD所用的采样率为 44100 Hz，数字音频磁带和许多计算机系统使用 48000 Hz，专业级音频系统通常使用 96000 Hz。

• 采样大小（sample size 或 Precision）：音频采样时用于存储每个样本的数据位数（bits）。如今 16 bit 的采样大小已被广泛使用，24 bit 主要用于专业音频领域。

• 编码格式（data encoding）：即每个音频样本的表示（即“编码”）方式。常用的编码类型包括 floating-point、μ-law、ADPCM、singed-integer PCM、MP3 和 FLAC 等。

• 通道（channel）：即文件中包含的音频通道的数量。其中单声道（mono）和双声道（stereo）是最常见的两种，“环绕声”音频（Surround sound）通常包含六个或更多声道。

此外，音频文件还使用比特率（Bit Rate）表示一个单位时间内编码音频信号占用的存储空间大小， 它的数值一般取决于所有的上述四个参数。
MP3 编码的立体声音乐通常具有 128-196kbps 的比特率， FLAC 编码的立体声音乐通常具有 550-760kbps 的比特率。

我个人是这样想的，，，可以将一段音频数据看成很长很长的一排苹果树，从头走到尾，每隔一段距离停下，摘下满满一筐苹果。。。
筐的大小就是采样大小，停下来采摘的次数就是采样频率，比特率就是把一定数量的苹果“榨成汁”（以特定的格式对音频编码）以后的重量，当然有些榨汁方法会造成一定的损失。

格式转换

形式最简单的 sox 命令即使用两个文件名作为参数，如：
$ sox Faded.wav Faded.mp3 ：将 Faded.wav 文件的格式由 wav 转为 mp3

上述命令执行时，SoX 会先从 Faded.wav 文件中读取音频数据，再将其输出到 Faded.mp3 文件中。而 SoX 程序会根据参数中文件名的后缀推断出相应的格式，并在复制音频数据的过程中自动进行转码。

SoX 可以处理 self-describing 和 raw 格式的音频文件。
self-describing 格式（如 WAV、FLAC、MP3）的文件包含一个用于描述信号和编码属性的文件头，而 raw 或 headless 格式的音频则不包含这些信息。

所以当 raw 格式的音频作为输入文件时，需要在 sox 命令的格式选项里指定其信号和编码属性。

常用的音频格式选项：

选项	描述
-b, --bits BITS	每个编码样本占用的数据位数
-c, --channels CHANNELS	音频文件包含的通道数
-e, --encoding ENCODING	音频文件的编码类型
-r, --rate RATE	音频文件的采样率
-t, --type FILE-TYPE	音频文件的文件类型

上述选项适用于输入或输出文件，主要用于说明 raw（或 headless）文件作为输入时的格式信息，或格式转换时指定输出文件的具体参数。

$ sox −r 48k −e float −b 32 −c 2 input.raw output.wav
将某个特定的 raw 格式的音频文件转换为 wav 格式

$ sox Faded.wav Faded.raw
将音频文件 Faded.wav 转为 raw 格式

$ play -r 44800 -b 16 -e signed-integer -c 2 Faded.raw
播放 raw 格式的音频文件

$ sox Faded.wav -c 1 Faded-mono.wav
将 Faded.wav 文件转换成单声道（-c 1）后输出

三、音频效果

SoX 工具可以在音频处理的过程中，对输入的音频数据应用众多的效果。
可以使用如下命令查看所有效果的帮助信息：

$ sox --help-effect all | less
sox:      SoX v

Effect usage:

allpass frequency width[h|k|q|o]


band [-n] center [width[h|k|q|o]]


bandpass [-c] frequency width[h|k|q|o]


bandreject frequency width[h|k|q|o]


bass gain [frequency(100) [width[s|h|k|q|o]](0.5s)]


bend [-f frame-rate(25)] [-o over-sample(16)] {start,cents,end}

:

也可以直接查看具体某个音频效果的使用方法：

$  sox --help-effect echo
sox:      SoX v

Effect usage:

echo gain-in gain-out delay decay [ delay decay ... ]

以下是一些简单的应用场景。

1. 更改声道数

sox 命令可以更改音频文件中声道的数目，如将单声道音频转换成双声道：
$ sox foo.wav foostereo.wav channels 2 或 $ sox foo.wav -c 2 foostereo.wav

但是上述命令并没有创建一个“真实”的双声道音频，而是将单声道音频复制成完全一致的两个声道再合并到输出文件中。

可以通过 sox 命令的 -M 选项将左右两个声道的单声道音频合并成一个双声道文件：
$ sox -M left.wav right.wav stereo.wav

当然，也可以通过对双声道文件中两个声道的均一化处理，将其输出为单声道音频：
$ sox original.wav mono.wav channels 1 或 $ sox original.wav -c 1 mono.wav

remix

通过 sox 命令的 remix 效果也可以完成对声道数据的提取或融合。

提取双声道音频文件中单个声道的数据并作为单声道音频输出：
$ sox stereo.wav left.wav remix 1 （提取左声道音频）
$ sox stereo.wav right.wav remix 2 （提取右声道音频）

融合双声道文件中两个声道的音频数据并作为单声道音频输出：
$ sox stereo.wav mono.wav remix 1,2 或
$ sox stereo.wav mono.wav remix 1-2

此外，remix 还可以将输入文件中的多个声道数据分别进行融合。
如使用 -M 选项将两个双声道音频合并，再通过 remix 将合并得到的四个声道两两融合，生成一个只包含两个声道的输出文件。
$ sox -M stereo1.wav stereo2.wav output.wav remix 1,3 2,4

2. 改变音量

sox 命令的 -v 选项可以用来（成倍地）改变音量的大小：
$ sox -v 0.5 foo.wav bar.wav
上述命令将 foo.wav 音频放大 0.5 倍音量后输出至 bar.wav 文件

可以将音量放大功能与 stat 效果结合。
以 sox foo.wav -n stat -v 命令返回的数字作为放大倍数，将最大化 foo.wav 的音量而不至于出现削波：

$ sox foo.wav -n stat -v 2> vc
$ sox -v `cat vc` foo.wav foo-maxed.wav

此外，还有一个选项 --norm 用来归一化音频响度。为了最大化音频的声音强度，可以在处理输入音频时将该选项设置为 -1：
sox --norm=-1 <inputfile> <outputfile>

3. 提取文件的某个部分

sox 命令的 trim 效果可以将输入音频的某一段裁剪出来并提取到输出文件中。

trim 接收两个参数，一个作为裁剪片段的起始位置，另一个作为该片段持续的时间。
可以使用整数+s格式的参数以样本个数作为计量单位，也可以直接使用 ((hh:)mm:)ss(.fs) 形式的时间参数。当参数为纯整数时，单位为秒。

$ sox Input.wav Half1.wav trim 0 30:00 截取输入文件中前 30 分钟的音频
$ sox Input.wav Half2.wav trim 30:00 30:00 截取输入文件中从第 30 分钟开始到第 60 分钟的音频

4. 拼接文件

与前面裁剪提取的操作相反，sox 命令还可以实现对两个或多个音频文件的拼接。

$ sox Half1.wav Half2.wav Full.wav
将 Half1.wav 和 Half2.wav 合并至 Full.wav 文件。注意合并前的音频文件需保持一致的类型和采样率等。

5. 合成音频

sox 命令可以通过 synth 效果合成许多标准波形和噪声类型。

$ sox -n sine.wav synth 1.0 sine 1000.0
合成频率为 1000 Hz 长度为 1 秒的正弦波，保存至 sine.wav 文件中。

synth 支持合成的声音类型包括 sine、square、triangle、sawtooth、trapetz (trapezoidal)、exp (exponential)、whitenoise、pinknoise 和 brownnoise。

6. 静音效果

sox 命令可以创建静音状态的音频片段，使用 -n 选项表示没有输入，通过 trim 效果指定需要静音的片段。

$ sox -n -r 48000 silence.wav trim 0.0 0.250
在 slience.wav 文件中创建一段长度为 250ms 采样率为 48000Hz 的静音片段。

7. 混合音频

sox 命令的 -m 选项可以将两个音频文件混合以后生成输出文件。

$ sox -m sine100.wav sine250.wav sine100-250.wav
将 sine100.wav 和 sine250.wav 两个音频文件融合以后作为 sine100-250.wav 文件的音频数据。

$ sox -m -v0.5 music.mp3 -v2 speech.wav presentation.wav
将背景音乐（music.mp3）音量降低一半后与放大 2 倍音量的人声数据（speech.wav）融合。

如果不确定融合效果，可以先通过 play 命令使用相同的参数对结果进行“预览”：
$ play -m -v0.5 music.mp3 -v2 speech.wav

PS：
与前面的 -M 选项不同，-m 选项倾向于对声道数据的混合，即两个单声道文件通过 -m 混合以后输出仍是单声道数据。输出文件中的单个声道包含了输入的两个声道的特征。

而 -M 选项更倾向于对音频文件的合并，默认不对声道数据进行混合。所以两个单声道文件通过 -M 合并以后默认输出双声道音频。输出文件中的两个声道分别对应于输入的两个声道（数据没有混合）。除非通过 -c 选项手动指定输出文件的声道数量。

8. 改变播放速度

可以通过 stretch 效果改变音频文件的播放速度，同时不会导致音高的变化。

如以 2x 倍速播放 Faded.wav 文件：
$ play Faded.wav stretch 0.5

也可以通过 speed 效果调节播放速度（相应地音高也会发生变化）：
$ play Faded.wav speed 2

此外，可以使用 pitch 效果调节音频片段的音高，以音分（cents）为单位。

$ play Faded.wav pitch 200
将 Faded.wav 文件中的音频提高 200 音分，即提高 2 个半音的音程（每一个半音的音程等于 100 音分）。

参考资料

SoX
Using Sox
How to process audio files from the command line with SoX