はじめに

PythonでSciPyなどを利用してデータを読み込むと，wavファイルの形式によってデータの最大値が異なり扱いづらいことがあります．wavファイル形式の違いによらずデータの振幅値を[-1, 1]の範囲に正規化して，処理を行いたいときの便利関数を作りました．

具体的には，
wavファイルの形式によらず

• デフォルトで音データを正規化してくれる wavread() 関数
• 正規化されたデータを自分でもとに戻さなくても，音量を保って音データを書き込める wavwrite() 関数
• (関数から呼び出される正規化用関数 audio_normalize() 関数)

が入ったライブラリ matwavlib を作成しましたので，内容を簡単に説明します．

• 音データにFFT，スペクトログラム解析などを適用したい時
• 読み込んだファイル形式によらず，データを読み込んで処理がしたい・処理をした音データを保存したい時
• wavファイルの量子化ビット数を変換したい時

に役に立つのではないかと思います（少なくとも私は忘備録として使います）．

対称とする読者

• 音・音声データをPythonで処理する方（データサイエンスなど）
• SciPyで時系列解析などを行う方
• wavファイルのフォーマットの違いを意識せずに音データを扱いたい方
• そのままコピーして使えるwav読み込み・書き込み関数を必要とする方
• 特定のwav formatに変換する必要のある方

目次

• はじめに
  • 対称とする読者
• 目次
• 結論
  • 読み込み・書き込みに使える関数の説明
  • 使用例
  • GitHub
• 解説
  • SciPy の仕様 -> MATLABの仕様へ
  • 正規化関数の説明 audio_normalize(y)
• 参考文献

結論

以下のコードをコピー・ダウンロードして利用してください．
環境には，Numpy, SciPyがインストールされている必要があります（Anacondaを利用している場合，標準でインストールされています）．

gistfa0a56f9e5e59a4f3a80e375b84c4156

読み込み・書き込みに使える関数の説明

y, fs = wavread(wavfile, norm=True)

• 説明: 音データの読み込み（デフォルトでデータの正規化）
• パラメータ
  • wavfile(str): 読み込みたいwavファイルのパスを入力
  • norm(bool): 音データを正規化するかどうか(DefalutでTrue)
• 返り値
  • y (np.ndarray): 音声データ
  • fs (int): サンプリングレート

wavwrite(wavefile, data, fs, ftype=’float32′)

• 説明: 正規化されたデータの書き込み
• パラメータ
  • wavefile(str): 保存したい場所・名前のパス
  • data(np.ndarray): 保存したい音データ（正規化されていないデータも問題なく書き込めます）．
  • fs(int): サンプリング周波数
  • ftype(str, parameters = [“float32”, “uint8”, “int16”, “int32”]): 保存するファイル形式の選択 (デフォルトで32bit floating-point format)
    • int: integer PCM format
    • float: floating-point format

使用例

wavread, wavwriteの間でyに対して好みの処理を行ってください．

from matwavlib import matwavlib as mw
infilepath = "input.wav"
outfilepath = "output.wav"
y, fs = mw.wavread(infilepath)
mw.wavwrite(outfilepath, y, fs)
print("input Datatype:", y.dtype)


GitHub

なにか変更やご指摘があればこちらで変更していきます．

github.com

解説

以下に細かい内容などを知りたい人向けの解説を書きます．特に形式を気にしない方は上をコピペしたりダウンロードして使ってもらえればと思います．

SciPy の仕様 -> MATLABの仕様へ

以下の表が，音データ(wav)を読み込む際の，SciPyとMATLABの仕様の違いです．

FFTやスペクトログラム．その他特徴抽出など，科学計算関連の関数を適用する場合には，データが正規化されていたほうが扱いやすいため，MATLABのようにデフォルトでは読み込み，書き込み関数が正規化・正規化解除をやってくれると手間が省けます．

wavread(), wavwrite()関数は，上の表のMATLABのように，関数で読み込めば勝手に正規化・正規化解除をしてくれるように作りました（normパラメータなどで正規化したくない場合はその旨を指定できます）．

SciPyで読み込んだ場合・書き込んだ場合のデータ形式の違いについては，
ryoiijima.hatenablog.com

にまとめています．

正規化関数の説明 audio_normalize(y)

def audio_normalize(y):
"""
    Audio data normalization between [-1, 1].
    Parameters
    ----------
    y: numpy.ndarray, audio data from SciPy
    Returns
    ----------
    norm_y: numpy.ndarray, normalized audio data the range is [-1, 1]
    """
print("y.dtype:", y.dtype)
if y.dtype == "float32" or y.dtype == "float64":
max_y = 1
elif y.dtype == "uint8":
y = y - 128 # convert unsigned to signed
max_y = 128
elif y.dtype == "int16":
max_y = np.abs(np.iinfo(np.int16).min)
elif y.dtype == "int32":
max_y = np.abs(np.iinfo(np.int32).min)
else:
raise ValueError("%s can't use datatype for audio normalization. \
            Datatype must be [float32, float64, uint8, int16, int32]" % (y.dtype))
max_y = np.abs(np.iinfo(np.int16).min)
norm_y = y / max_y
norm_y = norm_y.astype(np.float32)
return norm_y


wavread(), wavwrite()から，正規化するための関数 audio_normalize() を呼び出すことによって，ファイル形式ごとに正規化する処理をしています．
最大値を取得して，データの各値を最大値で割ることで，[-1, 1]の間のデータ形式にしています．(scipyの音データ np.ndarrayを引数として渡せば使えます．)

同様にして，wavwrite()関数では，指定されたファイル形式に合わせて，値の範囲を[-1, 1]からもとに戻す処理を行っています．例えば，16bit integer PCMでは，[-32768, 32767]の範囲となるように最大値をかける処理を行います．この処理を忘れると，書き出されたファイルの音量が小さい・聞こえなくなってしまいます．

正規化をする際の注意点は，8 bit unsigned integer PCM 形式のファイルの場合，符号なしデータを0-255の範囲で扱っているため，他の形式と同じ用に扱うためには，128を引く・足すことによって半分ずらす必要があります．これらを考えるのが億劫なため，今後に備えてこのような関数を作りました．

参考文献

• 伊藤 克亘 (著), 花泉 弘 (著), 小泉 悠馬 (著), Pythonで学ぶ実践画像・音声処理入門, コロナ社，2020

正規化の方法を参考にさせていただきました．