简介
SOX-音频处理转换和处理工具中的瑞士军刀。在音频处理方面命令简洁且高效，配合xargs命令能方便的进行小批量音频数据的处理。能实现如下的功能
- 单音频的处理：音频的播放速度，采样率，音量，声道数量等。
- 多音频的合并等。
- soxi查看音频文件meta信息。
- play播放音频。
sox命令处理流程：
Input(s) -> Combiner -> Effects -> Output(s)
sox命令的格式： 官方文档给出的：
sox [global-options] [format-options] infile1 [[format-options] infile2] ... [format-options] outfile [effect [effect-options]] ...
我们比较常用的处理单个文件的指令格式：
sox infile format outfile effect
参数(Gain用来表示信号的强度，是音频输入信号和输出信号差异的幅度,gain 控制的是「进入」声音设备的信号,volume是声音大小（响度）的值,volume控制的是从声音设备「输出」的声响大小.将 Gain 理解为对信号的调整，将 Volume 理解为处理完成后声音响度的听觉感受)：
SPECIAL FILENAMES (infile only): "|program [options] ..." 使用管道 http://server/file 使用音频文件的url作为输入文件（URL支持需要wget是可用的） GLOBAL OPTIONS (gopts) (在第一个effect之前的任意位置): --buffer BYTES， sox处理音频的时候的缓存字节数。 --clobber 当输出文件文件名已经存在默认会进行重写覆盖。 --combine concatenate Concat音频(-m是mix，-M是merge，-T是multiply) --dft-min NUM Minimum size (log2) for DFT processing (default 10) --effects-file FILENAME File containing effects and options -G，--guard 使用gain effect来防止音频截幅或者截频或者响度norm时超过限制造成失真。例子sox −G infile −b 16 outfile rate 44100 dither −s --i, --info 和soxi相同 -m, -M，-T -m是mix，-M是merge，-T是multiply --norm[dB-level] 自动的使用gain effect防止失真并且响度归一化音频。 -S，--show-progress 显示处理的音频的meta信息以及已经处理的百分比。 -V[level] 设置打印在终端的信息。0是没有信息打印，1是仅错误被打印，2警告也会被打印，3包括描述信息等都被打印，4所有信息都被打印 FORMAT OPTIONS (fopts):输出文件将尽可能与输入文件具有相同的格式，并且不会被包括提供输出格式选项在内的各种方式所覆盖。 -v|--volume FACTOR 调整音频音量的大小。 --ignore-length 忽略头文件给的音频长度信息；读到结束标志EOF为止 -t|--type FILETYPE 音频类型(wav,mp3,flac等等)。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。 -e|--encoding ENCODING 采样点的编码格式(ENCODING may be one of signed-integer,unsigned-integer, floating-point, mu-law, a-law,ima-adpcm, ms-adpcm, gsm-full-rate) -b|--bits BITS 位深(一个采样点用几个bit保存) -N|--reverse-nibbles nibble是半个byte(4bit)。 -X|--reverse-bits Encoded bit-order --endian little|big|swap Encoded byte-order; swap means opposite to default -L/-B/-x Short options for the above -c|--channels CHANNELS 声道数; e.g. 1=mono 2 = stereo -r|--rate RATE 采样率 -C|--compression FACTOR Compression factor for output format --no-glob Don't `glob' wildcard match the following filename EFFECTS: pitch[-q]shift [segment [search [overlap]]] 改变音频的pitch音高。 spectrogram 画声谱图。-y是声谱图的y轴最大长度，-m是灰度。比如 -y 129 -m -r
常用命令
音频格式转换
- sox自动读取音频文件的后缀名，并进行格式转换。a是mp3格式的文件，转换为b是wav格式的文件。
sox a.mp3 b.wav
- sox把mp3格式转换为wav格式，并且附加effects:b.wav保存为单通道mono,16k采样率,音频淡入特效fade-in，normalization，并且保位深16bit.
sox a.mp3 −b 16 b.wav channels 1 rate 16k fade 3 norm
- sox把二进制文件(无header信息)转换为wav文件，格式选项为：采样率为16k，有符号8bit整数，单通道。注意把raw文件转为其他格式需要指名格式，因为raw为二进制文件，不含有meta信息。(可理解为np.fromfile需要指明文件类型)
sox −r 16k −e signed −b 8 −c 1 voice-memo.raw voice-memo.wav
添加音频效果
- 把音频速度调整为原来的1.027倍
sox slow.wav fixed.wav speed 1.027
- 把音量调整为原来的1.027倍
sox a.wav b.wav volume 1.027 sox a.wav -v 1.027 b.wav
- 为避免截幅，可以通过 -n stat 命令获取音量增大的最大限制。
sox a.wav -n stat -v | xargs -I {} sox a.wav b.wav volume {}
- 按照百分比调整音高
sox a.wav b.wav pitch -31
- 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
- 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
- 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,下面提取第二个声道(若是双声道则是指右声道) 或者融合多个声道(实例中融合前三个声道)。
sox stereo.wav channel_2.wav remix 2 sox stereo.wav channel_2.wav remix 1,2,3
- 画声谱图(a.wav的第一个声道采样率10k，y轴长度129，输出为a.png)
sox a.wav -n remix 1 rate 10k spectrogram -y 129 -m -r -o a.png
合并音频(-m)
- concat两个文件.
sox short.wav long.wav longer.wav
- 合并混合music.mp3和voice.wav并保存成mixed.flac,合并音频（两个单声道混合后是双声道）
sox −m music.mp3 voice.wav mixed.flac
获取文件meta信息(soxi 或者 sox –i)
- soxi 或 sox –i 命令可以通过解析音频文件的文件头，获取其元数据（如通道数，采样率，位深，持续时间，比特率等）。
(base) [zhuxiaoxu@gpu66 wav_input]$ soxi multilingual_000000.wav Input File : 'multilingual_000000.wav' Channels : 1 Sample Rate : 16000 Precision : 16-bit Duration : 00:00:14.11 = 225796 samples ~ 1058.42 CDDA sectors File Size : 459k Bit Rate : 260k Sample Encoding: 16-bit Signed Integer PCM
- sox inputfile -n stat命令获取某音频文件的统计信息
(base) [zhuxiaoxu@gpu66 wave]$ sox 000030.wav -n stat Samples read: 83600 Length (seconds): 5.225000 Scaled by: 2147483647.0 Maximum amplitude: 0.272766 Minimum amplitude: -0.356537 Midline amplitude: -0.041885 Mean norm: 0.036391 Mean amplitude: -0.000011 RMS amplitude: 0.056870 Maximum delta: 0.456573 Minimum delta: 0.000000 Mean delta: 0.013225 RMS delta: 0.028709 Rough frequency: 1285 Volume adjustment: 2.805
