如何使用Java Sound API测量及修改WAV文件特定时间戳的声级

一、测量特定时间戳的音量水平 #

要获取WAV文件某时间点的音量，核心是解析WAV的采样数据，步骤如下：

• 解析WAV头信息：读取采样率、声道数、位深等关键参数（WAV采用RIFF格式，头信息包含这些元数据）。例如采样率为44100Hz时，1秒对应44100个采样点。
• 定位目标采样位置：根据时间戳计算对应的采样点偏移：目标采样点 = 时间戳（秒） × 采样率 × 声道数。若为16位深，每个采样占2字节，字节偏移需再乘以位深/8。
• 读取并转换采样值：根据位深读取原始二进制数据，转换为数值（8位为无符号整数，16位及以上为有符号整数）。
• 计算音量：单帧采样取绝对值占该位深最大值的百分比；若要测量时间段音量，计算该段采样的**均方根（RMS）**值，再转为百分比。

示例代码（Python） #

import wave
import numpy as np

def get_volume_at_timestamp(wav_path, timestamp):
    with wave.open(wav_path, 'rb') as wf:
        sample_rate = wf.getframerate()
        num_channels = wf.getnchannels()
        sample_width = wf.getsampwidth()

        # 计算目标采样点的字节偏移
        target_frame = int(timestamp * sample_rate)
        wf.setpos(target_frame)

        # 读取1帧（包含所有声道的采样）
        frame_data = wf.readframes(1)
        if not frame_data:
            return 0.0

        # 转换采样为数值
        if sample_width == 2:
            samples = np.frombuffer(frame_data, dtype=np.int16)
        elif sample_width == 1:
            samples = np.frombuffer(frame_data, dtype=np.uint8) - 128  # 转为有符号
        else:
            # 处理24位采样（简化为32位）
            samples = np.frombuffer(frame_data, dtype=np.int32) >> 8

        # 计算峰值音量百分比
        peak = np.max(np.abs(samples))
        max_val = (2 ** (sample_width * 8 - 1)) - 1 if sample_width > 1 else 127
        return round((peak / max_val) * 100, 2)

二、修改特定时间戳的音量 #

修改WAV文件某时间段的音量，需调整对应采样点的数值，步骤如下：

• 读取完整采样数据：先读取整个WAV文件的采样数据，避免局部修改破坏文件结构。
• 定位目标采样范围：确定要修改的时间段（比如时间戳前后0.1秒），计算对应的采样点起始和结束位置。
• 调整采样值：将目标范围内的采样值乘以音量乘数（如1.2表示提高20%），同时限制数值在该位深的合法范围内（防止削波失真）。
• 写回WAV文件：将修改后的采样数据写入新文件，保持原文件的头参数不变。

示例代码（Python） #

import wave
import numpy as np

def adjust_volume_at_timestamp(wav_path, timestamp, volume_multiplier, duration=0.2):
    with wave.open(wav_path, 'rb') as wf:
        params = wf.getparams()
        sample_rate = params.framerate
        num_channels = params.nchannels
        sample_width = params.sampwidth
        total_frames = params.nframes

        # 读取所有采样数据
        all_samples = wf.readframes(total_frames)
        # 转换为数值数组
        if sample_width == 2:
            samples = np.frombuffer(all_samples, dtype=np.int16)
        elif sample_width == 1:
            samples = np.frombuffer(all_samples, dtype=np.uint8) - 128
        else:
            samples = np.frombuffer(all_samples, dtype=np.int32) >> 8

        # 计算修改的采样范围
        start_frame = int((timestamp - duration/2) * sample_rate)
        end_frame = int((timestamp + duration/2) * sample_rate)
        start_idx = max(0, start_frame * num_channels)
        end_idx = min(len(samples), end_frame * num_channels)

        # 调整音量并限制范围
        adjusted = samples[start_idx:end_idx] * volume_multiplier
        if sample_width == 2:
            adjusted = np.clip(adjusted, -32768, 32767).astype(np.int16)
        elif sample_width == 1:
            adjusted = np.clip(adjusted + 128, 0, 255).astype(np.uint8)
        else:
            adjusted = np.clip(adjusted << 8, -8388608, 8388607).astype(np.int32)

        # 替换原采样数据
        samples[start_idx:end_idx] = adjusted

        # 写入新文件
        with wave.open(f"adjusted_{wav_path}", 'wb') as new_wf:
            new_wf.setparams(params)
            new_wf.writeframes(samples.tobytes())

关键注意事项 #

• 声道处理：立体声WAV的采样按左、右声道交替存储，计算采样位置时需乘以声道数。
• 位深限制：调整音量必须限制数值在对应位深的范围内（如16位采样范围是-32768到32767），否则会产生削波失真。
• 时间段选择：单帧采样的音量波动大，建议测量/修改一小段时间（如0.1-0.2秒）的平均值，结果更稳定。

内容的提问来源于stack exchange，提问作者anti_waxxer