FFmpeg + SoundTouch实现音频的变调变速

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。

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音频文件格式和C++标准库实现WAV文件读写

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]

ffmpeg-soundtouch-变调变速">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：

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

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。
本文中的使用的代码：

• CSDN下载 SoundTouch VS2013 Project 官网下的为VS2008版本，编译出来的静态链接库在VS2013使用一直出现LINK2019错误。
• CSDN 下载FFmpeg + SoundTouch 变速变调 需要配置FFmpeg的开发环境
• Github 学习过程使用的代码库。