what’s the SOX
SoX（即 Sound eXchange）是一个跨平台（Windows，Linux，MacOS 等）的命令行实用程序，可以将各种格式的音频文件转换为需要的其他格式。SoX 还可以对输入的音频文件应用各种效果，也支持在大多数平台上播放和录制音频文件。
Windows下载链接：https://sourceforge.net/projects/sox/files/sox/
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。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
sudo apt-get install sox # Linux brew install sox # Mac 系统
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命令及相应的选项实现。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 ...
基本使用
一、获取音频元数据
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. '''
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
二、获取音频的统计信息
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 '''
View Code
三、播放与录制
play 和 rec 命令提供了最基本的播放和录制功能。
play existing-file.wav # 播放 rec new-file.wav # 录制 # 上述命令等同于 sox 命令的如下形式： sox existing-file.wav −d # 播放 sox −d new-file.wav # 录制 # -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。
播放指定片段
# 播放 foo.wav 文件中 10-15s 之间的音频片段 play foo.wav trim 10.0 5.0 # play foo.wav trim 10.0 =15.0
四、音频格式转换
音频数据主要有5个属性
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。
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。
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 |
sox Faded.wav Faded.mp3 # 将wav文件转换成mp3 # 将 Faded.wav 文件转换成单声道后输出 sox Faded.wav -c 1 Faded-mono.wav ##### sox −r 48k −e float −b 32 −c 2 input.raw output.wav
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 ... ] '''
View Code
一、更改声道数
将单声道音频转换成双声道
sox foo.wav foostereo.wav channels 2 # 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
将双声道均一程单声道
sox original.wav mono.wav channels 1 # sox original.wav -c 1 mono.wav
remix
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
二、改变音量
sox -v 0.5 input.wav output.wav # 音频放大 0.5 倍 # 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 sox --norm=-1 <inputfile> <outputfile> # 归一化音频响度
三、提取文件的某个部分
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
四、拼接文件
# 注意合并前的音频文件需保持一致的类型和采样率等 sox Half1.wav Half2.wav Full.wav # 将 Half1.wav 和 Half2.wav 合并至 Full.wav 文件
五、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。
synth 支持合成的声音类型包括：sine、square、triangle、sawtooth、trapetz (trapezoidal)、exp (exponential)、whitenoise、pinknoise 和 brownnoise
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
六、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。
# 在 slience.wav 文件中创建一段长度为 250ms 采样率为 48000Hz 的静音片段 sox -n -r 48000 silence.wav trim 0.0 0.250
七、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。
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。
# 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 sine100.wav sine250.wav sine100-250.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 sox -m -v0.5 music.mp3 -v2 speech.wav presentation.wav # 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
八、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。
play Faded.wav stretch 0.5 # 以 2x 倍速播放 Faded.wav 文件 # 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 # 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# 提高 2 个半音的音程（每一个半音的音程等于 100 音分）
参考：https://www.jianshu.com/p/be8977de4a6b