FFmpeg + SoundTouch实现音频的变调变速

àì夳堔傛蜴生んèń 2022-06-18 08:53 247阅读 0赞

本文使用FFmpeg + SoundTouch实现将音频解码后，进行变调变速处理，并将处理后的结果保存为WAV文件。  
主要有以下内容：

*  实现一个FFmpeg的工具类，保存多媒体文件所需的解码信息
 *  将解码后的音频保存为WAV文件
 *  SoundTouch的使用指南

## 1.从视频文件中提取音频保存为WAV文件 ##

本小节实现从视频文件中提取音频，解码并保存为WAV文件。  
在使用FFmpeg解码时，一般的流程是：

*  打开一个多媒体文件流
 *  得到媒体流信息
 *  查找视频、音频流的index
 *  根据流的index查找相应的的CODEC，打开`AVCodecContext`

进行完以上操作后，就得到解码所需的各种信息：`AVFormateContext`、`AVCodecContext`以及对应流的index。也就说，这些数据是解码多媒体流的必须信息，所以这里对上述操作做一个封装，提供一个单一接口来获取解码所需的信息。

### 1.1 MediaInfo工具类 ###

在使用FFmpeg进行解码的时候，所需要的信息如下：

*  `AVFormatContext`
 *  `AVCodecContext`
 *  流的index

`MediaInfo`的声明如下：

class CMediaInfo
    {
    
    public:
        CMediaInfo();
        CMediaInfo(MEDIA_TYPE media);
        ~CMediaInfo();
    
    public:
        ERROR_TYPE open(const char *filename);
        void close();
        void error_message(ERROR_TYPE error);
    
    public:
        MEDIA_TYPE type;
        AVFormatContext *pFormatContext;
    
        AVCodecContext *pVideo_codec_context;
        AVCodecContext *pAudio_codec_context;
    
        int video_stream_index;
        int audio_stream_index;
    };

*  构造函数需要一个参数，指出该类中包含的信息为视频、音频或者音视频都包含；
 *  `open`方法，根据传入的多媒体文件填充各个字段信息；`close`方法，关闭打开的`AVFormatContext`和`AVCodecContext`等。
 *  字段 为解码所需的各类信息。

至于具体的实现，可参考前面的文章 ，在最后会提供本文使用的代码，这里不再多说。

### 1.2 从视频中提取音频 ###

#### 1.2.1 获取解码所需的信息 ####

使用上面的提供的`MediaInfo`工具类，首先根据视频文件路径填充`MediaInfo`的各个字段

char* filename = "E:\\Wildlife.wmv";
        CMediaInfo media(MEDIA_TYPE::AUDIO);
        media.open(filename);

#### 1.2.2 设置音频的保存格式 ####

在真正的提取解码之前，需要首先设置好要保存的WAV的音频格式。FFmpeg使用`SwrContext`设置音频的转换格式，具体代码如下：

AVSampleFormat dst_format = AV_SAMPLE_FMT_S16; 
        uint8_t dst_channels = 2;
        auto dst_layout = av_get_default_channel_layout(dst_channels);
        auto audio_ctx = media.pAudio_codec_context;
        if (audio_ctx->channel_layout <= 0)
            audio_ctx->channel_layout = av_get_default_channel_layout(audio_ctx->channels);
        SwrContext *swr_ctx = swr_alloc();
        swr_alloc_set_opts(swr_ctx, dst_layout, dst_format, audio_ctx->sample_rate,
            audio_ctx->channel_layout, audio_ctx->sample_fmt, audio_ctx->sample_rate, 0, nullptr);
        if (!swr_ctx || swr_init(swr_ctx))
            return -1;

这里设置音频的sample格式为16位的有符号整数，通道数为2通道，采样率不变，具体关于音频格式的转换可参考：[FFmpeg学习4：音频格式转换][FFmpeg_4]。

#### 1.2.3 解码，并保存为WAV文件 ####

使用`MediaInfo`获取到关于解码的相关信息，并且设置好格式转换需要的`SwrContext`，然后调用`av_read_frame`从流中读取packet，解码。最后将解码后的数据进行格式转换后，将转换后的数据写入WAV文件。

int pcm_data_size = 0;
        while (av_read_frame(media.pFormatContext, packet) >= 0)
        {
            if (packet->stream_index == media.audio_stream_index)
            {
                auto ret = avcodec_send_packet(media.pAudio_codec_context, packet);
                if (ret < 0 && ret != AVERROR(EAGAIN) && ret != AVERROR_EOF)
                    return -1;
                ret = avcodec_receive_frame(media.pAudio_codec_context, frame);
                if (ret < 0 && ret != AVERROR_EOF)
                    return -1;
                auto nb = swr_convert(swr_ctx, &buffer, 192000, (const uint8_t **)frame->data, frame->nb_samples);
                auto length = nb * dst_channels * av_get_bytes_per_sample(dst_format);
                ofs.write((char*)buffer, length);
                pcm_data_size += length; 
                      }
            }

在写入文件的时候要使用二进制的方式，并且要记录好写入的音频的数据的字节数，在最后写WAV文件头的时候需要。  
写入WAV文件头

// 写Wav文件头
        Wave_header header(dst_channels, audio_ctx->sample_rate, av_get_bytes_per_sample(dst_format) * 8);
        header.data->cb_size = ((pcm_data_size + 1) / 2) * 2;
        header.riff->cb_size = 4 + 4 + header.fmt->cb_size + 4 + 4 + header.data->cb_size + 4;
        ofs.seekp(0, ios::beg);
        CWaveFile::write_header(ofs, header);

首先将音频的PCM数据写入文件，然后根据PCM数据的长度填充WAV文件头的相关字段。具体关于WAV的文件格式及其读写方法可参考[RIFF和WAVE音频文件格式][RIFF_WAVE]和[C++标准库实现WAV文件读写][C_WAV]

## 2.SoundTouch使用指南 ##

[SoundTouch][] 是一个开源的音频库，主要有以下功能：

*  变速不变调（TSM，Time Scale Modification），改变音频的播放速度（快或者慢）同时不影响音频的声调(Pitch)。
 *  变调不变速 Pitch Shifting ，改变音频声调的同时保持音频的播放速度不变
 *  变调变速，同时改变音频的声调和速度

### 2.1 编译 ###

从[SoundTouch][]下载源代码，解压后在README.html中给出了具体的编译方法，在Windows下有两种方法来编译源代码：

*  执行解压文件夹下面的make-win.bat脚本。试过这种方法没有成功，看了下make-win.bat脚本的内容，应该是没有找到相关的环境变量（VS2008）。该脚本主要是执行下面命令
    
        devenv source\SoundStretch\SoundStretch.vcproj /upgrade
        devenv source\SoundStretch\SoundStretch.vcproj /build debug
        devenv source\SoundStretch\SoundStretch.vcproj /build release
        devenv source\SoundStretch\SoundStretch.vcproj /build releasex64
 *  使用Visudl Studio IDE来编译，打开source\\Soundtouch下面的SoundTouch.sln，然后编译即可。SoundTouch.sln编译出来的是静态链接库，使用VS版本为Visual Studio 2008。

对编译后库的使用需要注意以下两点：

*  VS2008编译出来的静态链接库在VS2013调用会出现问题，提示ERROR LINK2019错误找不到相关的符号。
 *  在source目录下有个SoundTouchDLL项目，一看名字就是编译动态链接库dll的。编译，配置相应的参数(dll,lib)，然后实例化`SoundTouch s_touch`。这时候又会提示ERROR LINK2019，一直以为是环境没有配置好，找不到相应的dll文件。结果，是动态链接库dll的导出的不是整个`SoundTouch`类，只是其中的一些方法。

/// Sets new rate control value. Normal rate = 1.0, smaller values
    /// represent slower rate, larger faster rates.
    SOUNDTOUCHDLL_API void __cdecl soundtouch_setRate(HANDLE h, float newRate);
    
    /// Sets new tempo control value. Normal tempo = 1.0, smaller values
    /// represent slower tempo, larger faster tempo.
    SOUNDTOUCHDLL_API void __cdecl soundtouch_setTempo(HANDLE h, float newTempo);
    
    /// Sets new rate control value as a difference in percents compared
    /// to the original rate (-50 .. +100 %);
    SOUNDTOUCHDLL_API void __cdecl soundtouch_setRateChange(HANDLE h, float newRate);

后来，看了下Android的示例，这个动态链接库导出的函数应该是提供给Android使用的API。

### 2.2 使用 ###

得到编译后的静态链接库后，SoundTouch的使用还是很简单的，其外部API封装在了类`SoundTouch`中。在使用的时候只需要下面三个步骤：

*  实例话`SoundTouch`类
 *  设置相关的参数（速度，音调的改变）
 *  调用`putSamples`方法传入处理的Audio Sample；调用`receiveSamples`接收处理后的Sample。
 *  在处理完成后，调用`soundtouch.fflush()`接收管道内余下的sample

使用实例如下：

////////////////////////
                // 1. 设置SoundTouch，配置变调变速参数
                soundtouch::SoundTouch s_touch;
                s_touch.setSampleRate(audio_ctx->sample_rate); // 设置采样率
                s_touch.setChannels(audio_ctx->channels); // 设置通道数
    
                ////////////////
                // 2. 设置 rate或者pitch的改变参数
                //s_touch.setRate(0.5); // 设置速度为0.5，原始的为1.0
                s_touch.setRateChange(-50.0);
    
                //////////////////////
                // 3. 传入sample，并接收处理后的sample
    
                // 将解码后的buffer(uint8*)转换为soundtouch::SAMPLETYPE，也就是singed int 16
                auto len = nb * dst_channels * av_get_bytes_per_sample(dst_format);
                for (auto i = 0; i < len; i++)
                {
                    touch_buffer[i] = (buffer[i * 2] | (buffer[i * 2 + 1] << 8));   
                }
    
                // 传入Sample
                s_touch.putSamples(touch_buffer, nb);
                do
                {
                    // 接收处理后的sample
                    nb = s_touch.receiveSamples(touch_buffer, 96000);
    
                    auto length = nb * dst_channels * av_get_bytes_per_sample(dst_format);
                    ofs.write((char*)touch_buffer, length);
    
                    pcm_data_size += length;
                } while (nb != 0);
    
                ///////////////
                // 4. 接收管道内余下的处理后数据
                s_touch.flush();
                int nSamples;
                do
                {
                    nSamples = s_touch.receiveSamples(touch_buffer, 96000);
    
                    auto length = nSamples * dst_channels * av_get_bytes_per_sample(dst_format);
                    ofs.write((char*)touch_buffer, length);
    
                    pcm_data_size += length;
                } while (nSamples != 0);

SoundTouch内部使用通道的方式来管理sample数据，所以在主循环接收好，要接收管道内剩余的sample。  
使用的时候需要注意以下几点

*  sample的类型。SoundTouch支持两种类型sample类型：16位有符号整数和32位浮点数，默认使用的是32为浮点数。其sample类型在头文件`STTypes.h`中声明为`SAMPLETYPE`。在该文件的开始位置，使用宏`SOUNDTOUCH_INTEGER_SAMPLES`和`SOUNDTOUCH_FLOAT_SAMPLES`来决定使用那种sample类型。
    
        #define SOUNDTOUCH_INTEGER_SAMPLES     1    //< 16bit integer samples
            //#define SOUNDTOUCH_FLOAT_SAMPLES       1    //< 32bit float samples

另外，为了防止计算时有溢出，也支持32为有符号整数和64位浮点数，其类型为`LONG_SAMPLETYPE`。

*  速度和pitch参数的设置
    
     *  变调不变速
        
         *  `setPitch(double newPitch)`源pitch = 1.0，小于1音调变低；大于1音调变高
         *  `setPitchOctaves(double newPitch)` 在源pitch的基础上，使用八度音(Octave)设置新的pitch \[-1.00, 1.00\]。
         *  `setPitchSemiTones(double or int newPitch)` 在源pitch的基础上，使用半音(Semitones)设置新的pitch \[-12.0,12.0\]
     *  变速不变调
        
         *  `setRate(double newRate)` 设置新的rate，源rate=1.0，小于1变慢；大于1变快
         *  `setRateChange(double newRate)` 在源rate的基础上，以百分比设置新的rate\[-50,100\]
         *  `setTempo(double newTempo)` 设置新的节拍tempo，源tempo=1.0，小于1则变慢；大于1变快
         *  `setTempoChange(double newTempo)` 在源tempo的基础上，以百分比设置新的tempo\[-50,100\]

## 3. FFmpeg + SoundTouch 变调、变速 ##

有了前面的实现，只需要在FFmepg解码后，将解码后的数据发送到`SoundTouch`中进行处理即可。有一点需要注意，FFmpeg解码后的数据存放在类型为`uint8`的缓存中，在将sample发送给`SoundTouch`处理前，需要根据`SoundTouch`的SAMPLETYPE进行相应的转换。本文使用的SAMPLETYPE的是S16，首先将`uint8`两个字节组合一个S16（小端）

// 将解码后的buffer(uint8*)转换为soundtouch::SAMPLETYPE，也就是singed int 16
                auto len = nb * dst_channels * av_get_bytes_per_sample(dst_format);
                for (auto i = 0; i < len; i++)
                {
                    touch_buffer[i] = (buffer[i * 2] | (buffer[i * 2 + 1] << 8));   
                }

首先计算缓存中的字节数，然后按照小端的方式组合为16为有符号整数。然后将转换后的buffer传送给`SoundTouch`即可。

s_touch.putSamples(touch_buffer, nb);
                do
                {
                    // 接收处理后的sample
                    nb = s_touch.receiveSamples(touch_buffer, 96000);
    
                    auto length = nb * dst_channels * av_get_bytes_per_sample(dst_format);
                    ofs.write((char*)touch_buffer, length);
    
                    pcm_data_size += length;
                } while (nb != 0);

变调变速的处理结果如下图：

![439761-20161027104138875-109001963.png][]

频谱图，上图为原始音频的频谱；下图为使用`setPitch(0.1)`将pitch设为原始的10%得到的频谱图

![439761-20161027104152687-306018684.png][]

波形图，上图为原始的波形图；下图为使用`setRateChange(-50.0)`设置速度减少50%得到的波形图

## 4. 总结 ##

本文使用FFmepg + SoundTouch相结合的方式，将音频从视频从提取出来，进行变调变速处理后保存为WAV文件。结合前面的学习总结，可以很容易的实现音频的变调变速播放。

[FFmpeg_4]: http://www.cnblogs.com/wangguchangqing/p/5851490.html
[RIFF_WAVE]: http://www.cnblogs.com/wangguchangqing/p/5957531.html
[C_WAV]: http://www.cnblogs.com/wangguchangqing/p/5970516.html
[SoundTouch]: http://www.surina.net/soundtouch/
[439761-20161027104138875-109001963.png]: /images/20220618/4bef053905ea4f2aae64d95d0ce9a922.png
[439761-20161027104152687-306018684.png]: /images/20220618/18a78f966cfd46e29f506407a72cae23.png