僕は英語の練習をしているとき、CDなどでネイティブの人の発音を聞き取る練習をしたり、それを真似て発音してみたりするのですが、聞いているCDなどの音楽ファイルのトラックの区切りが章毎になっていたりすると、ちょっと聞き取れなかった部分だけを再生しようと思って戻るボタンを押しても、章の最初に戻っちゃったりして、「そんな戻んなくていいんだよ～！」って歯がゆい思いしたりします。戻るボタン長押しで巻き戻しできたりもするのですが、これも面倒くさい。そんな時に、音楽ファイルを１文づつ自動的に分割してくれるものがあったら便利です。それで、そんな機能のある無料アプリを探して試して見たんですが、自分の思うようなアプリを見つけることができなかったので、どうせなら自分で作ることにしました。
本記事は、音声ファイルを扱ったことがなかった僕が、Scalaを使ってWAVファイルを無音区間で自動分割するまでに必要だと思った基本的なことをまとめたものです。
どうやら、ステレオというのは、波の流れが２つある音のことをいうようです。違う音の流れが２つあって、左右の耳にそれぞれ違う音が聞こえると音に立体感がでて臨場感が増すといった感じでしょうか。それに対して、モノラルは波の流れが１つしかないもののことをいうようです。そして、１つの音の流れのことをチャンネルといって、ステレオの場合はチャンネルが２つ、モノラルはチャンネルが１つという表現をするようですね。
これは、振動の振れ幅が大きほど大きく聞こえ、小さい程小さく聞こえるようなんですね。
実際に音の波を量子化すると、振幅は、８ビットや１６ビットなどの整数で、時間も一定間隔毎に区切られて扱われるようです。
WAVファイルは、ヘッダーと複数のチャンクという単位に分かれて構成されいます。
必須のチャンクはfmtとdataの２つです。あと、アーティスト名やアルバム情報などが入っているLISTチャンクがあることもあります。
Scalaでは、ケースクラスで表現しました。
INFO LISTの構造です。
タグにはいろんな種類があるようです。
サンプルは、ブロック毎に並んでいて、ステレオの場合は左右の順にならんでいます。
split関数が分割する関数です。
本記事は、音声ファイルを扱ったことがなかった僕が、Scalaを使ってWAVファイルを無音区間で自動分割するまでに必要だと思った基本的なことをまとめたものです。
Index
音は波の流れ
ほとんどの人が知ってると思いますが、音は空気の振動です。つまり波です。コンピュータで使う音声ファイルもこの波を表現することで音を作っているようです。波の流れが１つだったらモノラル、２つだったらステレオ
モノラルとかステレオとかよく耳にします。ステレオの方がいい音だということはなんとなく知っていますが、これは一体なんなんだ？どうやら、ステレオというのは、波の流れが２つある音のことをいうようです。違う音の流れが２つあって、左右の耳にそれぞれ違う音が聞こえると音に立体感がでて臨場感が増すといった感じでしょうか。それに対して、モノラルは波の流れが１つしかないもののことをいうようです。そして、１つの音の流れのことをチャンネルといって、ステレオの場合はチャンネルが２つ、モノラルはチャンネルが１つという表現をするようですね。
波の振幅の大きさが音の大きさ
音が空気の振動ということは分かりましたが、音の大きさは、空気の振動とどう関係しているんだ？これは、振動の振れ幅が大きほど大きく聞こえ、小さい程小さく聞こえるようなんですね。
波の振動数(周波数)が音の高さ
音の大きさ以外に音を表現するときによく使われるのは、音の高さですよね。ちなみに、僕は音痴なので、自分の歌声の音の高さはあまりわかりませんが、多くの人は、音の高さを判別できる耳を持っていることだと思います。この音の高低というのは、波が１秒間に上下を往復する回数によって決まるみたいです。つまり、振動数ですね。よくHz(ヘルツ)とかって単位で表されたりしてるやつですね。振動数が大きくなると、音は高く聞こえ、小さくなると音は低く聞こえるようです。耳というのは、振幅と振動数を音量と高低に変換する装置だったんですね。量子化とは、波をデジタル化すること
量子化っていっても物理学の量子論に登場する量子化ではありません。量子化とは連続的な波をコンピュータで扱えるようにデジタル化することです。実際の波は、時間と空間に連続的に分布しているので、連続的な量を扱うことができないコンピュータでは、扱えないんですね。音の大きさも高低も離散的に的に表現しなきゃいけない。物理学の量子論も、場の振動を離散的に扱うことを量子化と読んでますよね。これに似ていることから量子化と名付けられたのかもしれません。実際に音の波を量子化すると、振幅は、８ビットや１６ビットなどの整数で、時間も一定間隔毎に区切られて扱われるようです。
サンプルとは、音波のある時刻での振幅のこと
音声ファイルでは、ある時刻における振幅のことをサンプルと呼んでいるようですね。CDなどでは、１つのサンプルは、１６ビットの整数で表現されているようです。このサンプルを一定間隔に並べて擬似的に波を表現しようというわけですね。音声ファイルは、サンプルの連続で構成されている
サンプルというのは、振幅つまり音の大きさの量子化ことでした。音波の時間軸も量子化しないとコンピュータでは扱うことができません。波を一定感覚毎に切って並べていっているのが音声ファイルなんですね。サンプルを基本的に圧縮せずに、そのまま並べてあるのがWAVファイルのようです。なので、音は何も欠損がなく生のままの音が記述されています。そのかわりファイルサイズは大きくなるようです。それに対してい、mp3やwmaなどは、サンプルなどを圧縮しているので、音に欠損があるがファイルサイズは小さく抑えられるようです。音に欠損があると言っても、人間がほとんど識別できない音を除いているので音質にはほとんど影響がないようです。サンプルレートとは、1秒間のサンプル数のこと
音声ファイルがサンプルの並びだということは分かりました。今度は、それをどういう頻度で読み取るかということです。振動数にあたるところですね。音声ファイルでは、振動数で表現するよりも、１秒間に読み取るサンプル数で表現したほうが分かりやすいのかもしれません。これをサンプルレートと呼びます。複数のチャンネルを総称してブロックという
音声ファイルは、複数のチャンネルも扱うことができます。同時刻のサンプルは、ファイル内では隣同士に並んでいます。ステレオの場合は同時刻に２つのサンプルが並んでいます。このように複数のチャンネルのサンプルが並んでいる領域をブロックと呼ぶらしいです。１つのサンプルのサイズが１６ビットだったら、ステレオの場合のブロックサイズは３２ビット、モノラルの場合は１６ビットということになります。WAVファイルは、情報の部分とサンプルデータ部分で構成される
音声ファイルは、単にサンプルが並んでいるだけではありません。他の多くのファイルフォーマットと同じようにヘッダー情報も記述されています。WAVファイルは、ヘッダーと複数のチャンクという単位に分かれて構成されいます。
・ヘッダー
WAVファイルは、次のヘッダーから必ず始まります。| 文字列'RIFF'(4byte) これ以降のチャンクのサイズ(4byte) 文字列'WAVE'(4byte) |
・チャンク
ヘッダー以降は、次のチャンクの連続です。| チャンク名(4byte) これ以降のチャンクのサイズ(4byte) 内容 |
必須のチャンクはfmtとdataの２つです。あと、アーティスト名やアルバム情報などが入っているLISTチャンクがあることもあります。
・fmtチャンク
fmtチャンクはの構造です。| 文字列'fmt'(4byte) これ以降のチャンクのサイズ(4byte) PCMの種類。リニアPCMは0x0001(2byte) チャンネル数(2byte) サンプリング・レート(4byte) １秒間のバイト数(4byte) ブロックサイズ(2byte) サンプルサイズ(2byte) 拡張領域のサイズ(2byte) 拡張領域(任意) |
1 2 3 4 5 6 7 8 9 | val pcmType: Short, val numOfChannels: Short, val samplingRate: Int, val bytesInSec: Int, val blockSize: Short, val sampleSizeInBits: Short, val extSize: Short ) |
・LISTチャンク
LISTチャンクにもいろいろ種類があるようですが、INFOにアーティストやアルバム情報が入っているようです。INFO LISTの構造です。
| 文字列'fmt'(4byte) これ以降のチャンクのサイズ(4byte) 文字列'INFO'(4byte) 4文字のタグ名(4byte) タグのサイズ(4byte) 内容 4文字のタグ名(4byte) タグのサイズ(4byte) 内容 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | val ISRC = "ISRC" // メディア元 val ICRD = "ICRD" // 作成日 val IPRD = "IPRD" // アルバム名 val INAM = "INAM" // 曲名 val IGNR = "IGNR" // ジャンル val ICMT = "ICMT" // コメント val IART = "IART" // アーティスト val ICMS = "ICMS" // 著作権代理人 val ICOP = "ICOP" // 著作権情報 val IENG = "IENG" // 録音エンジニア val ISFT = "ISFT" // ソフトウェア val IKEY = "IKEY" // キーワード val ITCH = "ITEC" // エンコード技術者 val ISBJ = "ISBJ" // タイトル val ITRK = "ITRK" // トラック番号 val ITOC = "ITOC" // 目次 } |
・dataチャンク
| 文字列'fmt'(4byte) これ以降のチャンクのサイズ(4byte) 以降はサンプルの連続 |
サンプルやサイズを表す数字はByteBufferを使って整数型に変換すると便利
サンプルやサイズを表す数字は、バイト順がリトルエンディアンになっているので、Scalaの整数型に変換するときには注意が必要です。例えば、僕は16bitのサンプルは、次のようにしてShort型に変換しました。1 |
無音の条件としてサンプルの絶対値がとても小さい値
音声ファイルを無音区間で区切るときは、無音とは何かを定義する必要があります。音の大きさはサンプルが表す数字の絶対値の大きさなので、この値がある程度小さいものを無音とすればよいでしょう。音声ファイルや人によって違うと思うのでいろいろ実験してみて都合のよい大きさを選ぶとよいでしょう。僕の場合は100以下を無音としました。無音が一定時間続くことが条件
無音が続いてる時間も決める必要があります。あまり細かく区切りすぎると、文の途中で切れちゃったりしますし、無音時間を長くすると、１つのトラックに複数の文が入ってきたりしちゃいますよね。やはり、これも音声ファイルによって変わってきますので、いろいろ実験して適切な無音の長さを選ぶとよいでしょう。僕の場合は10000回無音のサンプルが続いたところで区切るようにしました。ソースコード
WAVファイルを無音区間で分割するScalaのプログラムです。split関数が分割する関数です。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 | import java.io._ import java.nio.{ ByteBuffer, ByteOrder } import scala.math._ object Main { import WaveSpliter._ def main( args: Array[String] ) { val silent = 100 // 無音の定義 val nsilent = 10000 // 無音の持続時間 val minsize = 200000 // 分割ファイルの最小サイズ // コマンドライン引数のチェック val (idir, ifile, odir) = args match { // 引数が２つある場合。入力ファイルと出力ディレクトリ case Array( x, y ) => val f = new File(x) (f.getParent, convRegex(f.getName), y) // 引数が１つの場合。 case Array( x ) => val f = new File(x) (f.getParent, convRegex(f.getName), f.getParent) case _ => throw new Exception("invalid number of arguments") } val matcher: File => Boolean = _.getAbsolutePath.matches(ifile) val splitter = split(new File(odir), silent, nsilent, minsize) _ ((new File( idir )).listFiles filter matcher) foreach splitter } } object WaveSpliter { object Info { val ISRC = "ISRC" // メディア元 val ICRD = "ICRD" // 作成日 val IPRD = "IPRD" // アルバム名 val INAM = "INAM" // 曲名 val IGNR = "IGNR" // ジャンル val ICMT = "ICMT" // コメント val IART = "IART" // アーティスト val ICMS = "ICMS" // 著作権代理人 val ICOP = "ICOP" // 著作権情報 val IENG = "IENG" // 録音エンジニア val ISFT = "ISFT" // ソフトウェア val IKEY = "IKEY" // キーワード val ITCH = "ITEC" // エンコード技術者 val ISBJ = "ISBJ" // タイトル val ITRK = "ITRK" // トラック番号 val ITOC = "ITOC" // 目次 } // fmt フォーマット case class AudioHeader( val pcmType : Short, val numOfChannels : Short, val samplingRate : Int, val bytesInSec : Int, val blockSize : Short, val sampleSizeInBits : Short, val extSize : Short ) // Wavファイル case class WaveFile( info : Map[String, String], // INFO audioHeader : AudioHeader, // fmt data : Array[Byte], // sample data eachBlock : (List[Short] => Unit) => Unit // 各ブロックを読む関数 ) // バイト列に変換する型クラス trait Bytable { def toBytes: Array[Byte] } // IntのBytable class BytableInt( x: Int ) extends Bytable { def toBytes: Array[Byte] = ByteBuffer.allocate( 4 ).order( ByteOrder.LITTLE_ENDIAN ).putInt( x ).array() } // ShortのBytable class BytableShort( x: Short ) extends Bytable { def toBytes: Array[Byte] = ByteBuffer.allocate( 2 ).order( ByteOrder.LITTLE_ENDIAN ).putShort( x ).array() } // StringのBytable class BytableString( x: String ) extends Bytable { def toBytes: Array[Byte] = x.getBytes } // INFOのBytable class BytableInfo( x: Map[String, String] ) extends Bytable { def toBytes: Array[Byte] = { val out = new ByteArrayOutputStream x.foreach { case (k, v) => val (size, desc) = byteDesc( v ) write( out, k ) write( out, size ) write( out, desc ) } out.toByteArray } private def byteDesc( x: String ): (Int, Array[Byte]) = { val bs = x.getBytes val size = bs.size val mod = size % 4 val ary = new Array[Byte]( mod ) (size + mod, bs ++ ary) } } // fmtのBytable class BytableAudioHeader( ah: AudioHeader ) extends Bytable { def toBytes: Array[Byte] = { val out = new ByteArrayOutputStream write( out, ah.pcmType ) write( out, ah.numOfChannels ) write( out, ah.samplingRate ) write( out, ah.bytesInSec ) write( out, ah.blockSize ) write( out, ah.sampleSizeInBits ) write( out, ah.extSize ) out.toByteArray } } // 暗黙の型変換 implicit def toBytable( x: Int ): Bytable = new BytableInt( x ) implicit def toBytable( x: Short ): Bytable = new BytableShort( x ) implicit def toBytable( x: String ): Bytable = new BytableString( x ) implicit def toBytable( x: Map[String, String] ): Bytable = new BytableInfo( x ) implicit def toBytable( x: AudioHeader ): Bytable = new BytableAudioHeader( x ) // Emptyだったら例外を投げる def get_: A = a match { case Some( x ) => x case _ => throw new Exception( "option is empty!" ) } def write( out: OutputStream, x: Array[Byte] ) = out.write( x ) // Bytable型をOutputStreamに書き込む def write( out: OutputStream, x: Bytable ) = out.write( x.toBytes ) // wavファイルを出力する def write( file: File, info: Map[String, String], audioHeader: AudioHeader, data: Array[Byte] ): Unit = { val out = new BufferedOutputStream( new FileOutputStream( file ) ) val infoBytes = info.toBytes val ahBytes = audioHeader.toBytes val infoSize = infoBytes.size val listSize = 4 + infoSize // 'INFO' + infoSize val fmtSize = ahBytes.size // ahSize val dataSize = data.size // dataSize val fSize = 4 + listSize + fmtSize + dataSize // 'WAVE' + listSize + fmtSize + dataSize write( out, "RIFF" ) write( out, fSize ) write( out, "WAVE" ) write( out, "LIST" ) write( out, listSize ) write( out, "INFO" ) write( out, infoBytes ) write( out, "fmt " ) write( out, fmtSize ) write( out, ahBytes ) write( out, "data" ) write( out, dataSize ) write( out, data ) out.flush out.close } def readBytes( in: InputStream, size: Int ) = { val bytes = new Array[Byte]( size ) if( in.read( bytes ) < size ) None else Some( bytes ) } // InputStreamから文字列を読み取る def readString( in: InputStream, size: Int ) = readBytes( in, size ).map( b => new String( b ) ) // InputStreamからIntを読み取る def readInt( in: InputStream ) = readBytes( in, 4 ).map( b => ByteBuffer.wrap( b ).order( ByteOrder.LITTLE_ENDIAN ).getInt ) // InputStreamからShortを読み取る def readShort( in: InputStream ) = readBytes( in, 2 ).map( b => ByteBuffer.wrap( b ).order( ByteOrder.LITTLE_ENDIAN ).getShort ) // 一部をInputStreamに変換する def readAsInputStream( in: InputStream, size: Int ) = readBytes( in, size ).map( toInputStream ) // バイト列をInputStreamに変換する def toInputStream( bytes: Array[Byte] ) = new ByteArrayInputStream( bytes ) // チャンクの名前とサイズを読み取る def readChunkHeader( in: InputStream ) = for { name <- readString( in, 4 ) size <- readInt( in ) } yield ( name, size ) // 全てのチャンクを読み取って、各チャンクをfuncに渡す def readChunk( in: InputStream )( func: PartialFunction[(String, Array[Byte]), Unit] ): Unit = readChunkHeader( in ) match { case None => () case Some( (tag, size) ) => readBytes( in, size ).foreach { bs => if( func.isDefinedAt( (tag, bs) ) ) func( (tag, bs) ) readChunk( in )( func ) } } // INFOのLISTチャンクを読み取る def readListChunk( in: InputStream ): Map[String, String] = readString( in, 4 ) match { case Some( "INFO" ) => def readInfoItem: Option[(String, String)] = for { tag <- readString( in, 4 ) size <- readInt( in ) desc <- readString( in, size ) } yield { readBytes( in, size % 2 ) ( tag, desc ) } def readInfo( x: Option[(String, String)] ): List[(String, String)] = x match { case Some( y ) => y :: readInfo( readInfoItem ) case _ => Nil } readInfo( readInfoItem ).toMap case _ => Map[String, String]() } // fmtチャンクを読み取る def readFmtChunk( in: InputStream ) = AudioHeader( get_!( readShort( in ) ), get_!( readShort( in ) ), get_!( readInt( in ) ), get_!( readInt( in ) ), // byte/sec get_!( readShort( in ) ), // get_!( readShort( in ) ), // bit/sample get_!( readShort( in ) ) ) // LIST, fmt, dataチャンクを読み取る def readChunks( in: InputStream ):(Map[String, String], AudioHeader, Array[Byte]) = { var info = Map[String, String]() var audioHeader: AudioHeader = null var data: Array[Byte] = null readChunk( in ) { case ("data", bs) => data = bs case ("LIST", bs) => info = readListChunk( toInputStream( bs ) ) case ("fmt ", bs) => audioHeader = readFmtChunk( toInputStream( bs ) ) } if( data == null ) throw new Exception("data chunk is null") if( audioHeader == null ) throw new Exception("fmt chunk is null") ( info, audioHeader, data ) } // ブロックを読み取る def readBlock( data: InputStream, nChan: Short ): List[Short] = { def func( data: InputStream, nChan: Short, cnt: Int ): List[Short] = if( cnt == nChan ) { readShort( data ).toList } else if( cnt < nChan ) readShort( data ) match { case None => Nil case Some( x ) => func( data, nChan, cnt + 1 ) match { case Nil => Nil case xs => x :: xs } } else Nil func( data, nChan, 1 ) } def convRegex( s: String ) = s.replaceAll("""\.""", """\\.""").replaceAll("""\*""", """.*""") // WAVファイルを開く def openWave( file: File ): WaveFile = { val in = new BufferedInputStream( new FileInputStream( file ) ) val riff = get_!(readString( in, 4 )) val fileSize = get_!(readInt( in )) val wave = get_!(readString( in, 4 )) val (info, audioHeader, data) = readChunks( in ) in.close WaveFile(info, audioHeader, data, { func => val in = toInputStream( data ) var block = readBlock( in, audioHeader.numOfChannels ) while( block != Nil ) { func( block ) block = readBlock( in, audioHeader.numOfChannels ) } } ) } // wavファイルを無音区間で分割する def split( odir: File, silent: Int, nsilent: Int, minsize: Int )( input: File ) = { val wf = openWave( input ) // wavファイルを解析する為のマップ //val map = new scala.collection.mutable.HashMap[Int, Int] var output = new ByteArrayOutputStream var cnt1 = 0 var cnt2 = 0 wf.eachBlock { xs => if( abs(xs.head) < silent ) cnt1 += 1 else { // 無音の連続回数を記録する //if( cnt1 > 0 ) { // map.get( cnt1 ) match { // case Some( n ) => map.update( cnt1, n + 1 ) // case None => map.update( cnt1, 1 ) // } //} if( cnt1 > nsilent && output.size > minsize ) { cnt2 += 1 val bytes = output.toByteArray val size = output.size val (b1, b2 ) = bytes.splitAt( size - nsilent/2 ) WaveSpliter.write( outputFile( input, odir, cnt2 ), wf.info + (Info.ITRK -> cnt2.toString, Info.INAM -> "English Phrase", Info.IGNR -> "English"), wf.audioHeader, b1 ) output = new ByteArrayOutputStream output.write( b2 ) } cnt1 = 0 } xs.foreach { x => output.write( x.toBytes ) } } WaveSpliter.write( outputFile( input, odir, cnt2 + 1 ), wf.info + (Info.ITRK -> (cnt2 + 1).toString, Info.INAM -> "English Phrase", Info.IGNR -> "English"), wf.audioHeader, output.toByteArray ) // wavファイル内の無音の連続区間を長い順に表示する //var n = 0; //map.toList.sortWith { case ((x, _), (y, _)) => x > y }.foreach { case (k, v) => // n += v // println( k + ": " + v + ", " + n ) //} } // 出力ファイルを作成する def outputFile( input: File, odir: File, idx: Int ) = { val ofile = input.getName.replaceAll("""\.([^\.]+)$""", "_%d.out.$1".format( idx ) ) val opath = "%s\\%s".format(odir.getPath, ofile) println("%s" format opath) new File( opath ) } } } |
