Python-SoundDevice 开源项目教程
2026-01-18 09:38:34作者:吴年前Myrtle
项目介绍
Python-SoundDevice 是一个基于 Python 的开源库,用于录制和播放音频。它提供了一个简单而强大的接口,使得在 Python 程序中处理音频变得非常容易。Python-SoundDevice 依赖于 PortAudio 库,这是一个跨平台的音频 I/O 库,因此 Python-SoundDevice 也具有很好的跨平台兼容性。
项目快速启动
安装
首先,你需要安装 Python-SoundDevice 库。你可以使用 pip 来安装:
pip install sounddevice
录制音频
以下是一个简单的示例,展示如何使用 Python-SoundDevice 录制音频:
import sounddevice as sd
import numpy as np
# 录制音频
duration = 5 # 录制时长(秒)
print("开始录制...")
audio_data = sd.rec(int(duration * 44100), samplerate=44100, channels=2, dtype='float32')
sd.wait() # 等待录制完成
print("录制完成!")
# 播放录制的音频
print("播放录制的音频...")
sd.play(audio_data, 44100)
sd.wait() # 等待播放完成
print("播放完成!")
播放音频
以下是一个简单的示例,展示如何使用 Python-SoundDevice 播放音频:
import sounddevice as sd
# 播放音频
print("播放音频...")
sd.play(audio_data, 44100)
sd.wait() # 等待播放完成
print("播放完成!")
应用案例和最佳实践
实时音频处理
Python-SoundDevice 可以用于实时音频处理,例如实时音频滤波、音频增强等。以下是一个简单的示例,展示如何实时处理音频:
import sounddevice as sd
import numpy as np
def callback(indata, outdata, frames, time, status):
if status:
print(status)
# 在这里进行音频处理
outdata[:] = indata
with sd.Stream(samplerate=44100, channels=2, callback=callback):
print("开始实时处理音频...")
input("按 Enter 键停止...")
音频文件处理
Python-SoundDevice 可以与 SciPy 库结合使用,用于处理音频文件。以下是一个简单的示例,展示如何读取和播放音频文件:
import sounddevice as sd
from scipy.io import wavfile
# 读取音频文件
samplerate, data = wavfile.read('example.wav')
# 播放音频文件
print("播放音频文件...")
sd.play(data, samplerate)
sd.wait() # 等待播放完成
print("播放完成!")
典型生态项目
Librosa
Librosa 是一个用于音乐和音频分析的 Python 库。它可以与 Python-SoundDevice 结合使用,进行更复杂的音频分析和处理。
PyDub
PyDub 是一个简单而强大的音频处理库,可以用于音频剪辑、合并、转换等操作。它可以与 Python-SoundDevice 结合使用,进行更高级的音频处理任务。
SciPy
SciPy 是一个用于科学计算的 Python 库,其中包含了许多用于信号处理的工具。它可以与 Python-SoundDevice 结合使用,进行更高级的音频信号处理。
通过结合这些生态项目,你可以构建更复杂和强大的音频处理应用。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue08- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.89 K
React Native鸿蒙化仓库
JavaScript
312
365
Ascend Extension for PyTorch
Python
397
474
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.39 K
787
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
902
706
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
360
219
昇腾LLM分布式训练框架
Python
122
148
暂无简介
Dart
814
200
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
93
161
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
124
161