آموزش ضبط صدا با پایتون با کتابخانه sounddevice

۱. چرا کتابخانه sounddevice؟

کتابخانه sounddevice در پایتون یک ابزار فوق‌العاده برای ارسال و دریافت آرایه‌های NumPy حاوی سیگنال‌های صوتی از طریق کارت صدا است. این کتابخانه بر پایه PortAudio بنا شده و به همین دلیل عملکرد بسیار سریع، تاخیر بسیار کم و پایداری بالایی در پلتفرم‌های مختلف ویندوز، مک و لینوکس دارد.

برای درک بهتر جایگاه این کتابخانه در دنیای پایتون، جدول زیر تفاوت اساسی آن با رقیب سنتی‌اش یعنی PyAudio را نشان می‌دهد:

۲. پیش‌نیازها و نصب کتابخانه

برای شروع کار با این ابزار، به پایتون نسخه ۳.۷ یا بالاتر نیاز دارید. فرآیند نصب با استفاده از ابزار مدیریت بسته پایتون (pip) انجام می‌شود. علاوه بر خود کتابخانه صوتی، به کتابخانه scipy نیز برای ذخیره‌سازی داده‌های خام صوتی به فرمت استاندارد صوتی نیاز خواهید داشت. برای یادگیری و دریافت کدهای بیشتر در حوزه‌های مختلف، به صفحه کاربردی قطعه کدهای پایتون سر بزنید.

دستور زیر را در ترمینال یا خط فرمان سیستم خود وارد کنید تا کتابخانه‌های مورد نیاز به همراه پیش‌نیازهای عددی آن‌ها به طور کامل نصب شوند:

pip install sounddevice scipy numpy

۳. گام اول: ضبط یک فایل صوتی ساده

کد زیر ساده‌ترین و در عین حال استانداردترین ساختار برای شروع ضبط صدا از میکروفون پیش‌فرض سیستم را نشان می‌دهد. در این قطعه کد، ما ابتدا کتابخانه‌های لازم را فراخوانی کرده و سپس مشخصات اصلی ضبط مانند زمان و فرکانس را تعریف می‌کنیم.

import sounddevice as sd
from scipy.io import wavfile

# تنظیمات اصلی ضبط صدا
fs = 44100  # نرخ نمونه‌برداری بر حسب هرتز (کیفیت CD)
seconds = 5  # مدت زمان ضبط به ثانیه

print("در حال ضبط صدا... لطفاً صحبت کنید.")

# شروع فرآیند ضبط صدا
myrecording = sd.rec(int(seconds * fs), samplerate=fs, channels=2)
sd.wait()  # انتظار برای به پایان رسیدن مدت زمان مشخص شده

print("ضبط به پایان رسید. ذخیره فایل صوتی...")

# ذخیره آرایه صوتی در یک فایل صوتی واقعی
wavfile.write('output.wav', fs, myrecording)
print("فایل با موفقیت ذخیره شد!")

در این کد، تابع sd.rec وظیفه نمونه‌برداری لحظه‌ای را بر عهده دارد. از آنجایی که کارکرد این متد به صورت ناهمگام (Async) است، استفاده از تابع sd.wait() ضروری است تا از بسته شدن ناگهانی برنامه قبل از اتمام زمان ضبط صوتی جلوگیری شود.

۴. ذخیره‌سازی و فرمت‌های صوتی

چرا از فرمت WAV استفاده می‌کنیم؟ فرمت صوتی WAV داده‌ها را به صورت خام و غیرفشرده نگهداری می‌کند. این امر موجب می‌شود کیفیت صدای ضبط شده دچار افت نشود. اگر مایل هستید فایل صوتی خود را به فرمت‌های دیگر مثل MP3 تبدیل کنید، توصیه می‌شود ابتدا فایل اولیه را با همین ساختار WAV ذخیره کرده و سپس با کتابخانه‌ای مثل pydub آن را فشرده کنید.

انتخاب کارت صدای ورودی مناسب

در سیستم‌هایی که چندین ورودی صدا (میکروفون لپ‌تاپ، وب‌کم، هندزفری بلوتوثی) دارند، با اجرای دستور زیر می‌توانید لیست سخت‌افزارهای در دسترس خود را به همراه شناسه (ID) هرکدام مشاهده کنید:

import sounddevice as sd
print(sd.query_devices())

پس از پیدا کردن شناسه میکروفون مورد نظر خود، می‌توانید با تنظیم ویژگی device در تنظیمات سراسری برنامه، کارت صدای پیش‌فرض را تغییر دهید:

# قرار دادن میکروفون شماره 2 به عنوان ورودی پیش‌فرض سیستم
sd.default.device = 2

۵. ضبط صدا به صورت غیرمسدودکننده (Non-blocking)

در برنامه‌های واقعی مانند رابط‌های کاربری (GUI)، نمی‌توان از متد انتظار مطلق sd.wait() استفاده کرد چون برنامه قفل می‌شود. برای این کار باید از حالت جریان فعال یا Streams استفاده کنیم. این ساختار از توابع کالبک (Callbacks) بهره می‌برد تا هم‌زمان با ضبط صدا، بتوان بقیه کارهای سیستم را نیز مدیریت کرد.

import sounddevice as sd
import numpy as np

def audio_callback(indata, frames, time, status):
    if status:
        print(status)
    # محاسبه میانگین شدت صوتی ورودی به صورت لحظه‌ای
    volume_norm = np.linalg.norm(indata) * 10
    print("|" * int(volume_norm))

# اجرای جریان ورودی پیوسته با نرخ نمونه‌برداری پایین‌تر
with sd.InputStream(callback=audio_callback):
    print("در حال پردازش زنده صدا... برای خروج کلید Enter را بزنید.")
    input()

۶. جدول راهنمای نرخ‌های نمونه‌برداری

بسته به کاربردی که از صدا انتظار دارید، باید نرخ نمونه‌برداری (Sample Rate) مناسب را در برنامه پایتون خود تعریف کنید. جدول زیر رایج‌ترین مقادیر و دلیل استفاده از آن‌ها را توضیح می‌دهد:

۷. عیب‌یابی سریع و رفع خطاها

برنامه‌نویسی روی سخت‌افزارها ممکن است چالش‌برانگیز باشد. در اینجا راه‌حل مستقیم برای برخی از ارورهای رایج آورده شده است:

• ارور PortAudioError یا عدم شناسایی سخت‌افزار ورودی: مطمئن شوید که میکروفون شما به درستی به سیستم متصل است. در سیستم عامل لینوکس، احتمالاً نیاز دارید ابزار کمکی صوتی را به صورت دستی با اجرای دستور sudo apt-get install libportaudio2 نصب کنید.
• صدای ضبط شده دارای خش‌خش شدید یا سرعت بسیار بالاست: این مشکل به دلیل ناهماهنگی نرخ نمونه‌برداری رخ می‌دهد. نرخ نمونه‌برداری ورودی سیستم را روی 44100 یا 48000 هرتز تنظیم و هردو را تست کنید.
• خطای دسترسی سیستم‌عامل (Permission Denied) در ویندوز/مک: در تنظیمات حریم خصوصی (Privacy Settings) سیستم‌عامل خود، دسترسی به میکروفون را برای ترمینال یا نرم‌افزار ویرایشگر کدی که پایتون را در آن اجرا می‌کنید، مجاز قرار دهید.

۸. پرسش‌های متداول