如何使用Python3对比原始音频与对抗样本提取扰动生成perturbation.wav

嘿，这个需求其实很好实现——对抗样本里的扰动本质上就是带扰动音频与原始音频的差值，直接用Python做减法就行！下面给你两种实用的实现方式，你可以根据自己的环境选：

如果不想装第三方库，用Python自带的wave模块就能搞定，核心思路是把音频帧转换成数值数组，做差值后再写回文件：

import wave
import numpy as np

def extract_perturbation(original_path, attacked_path, output_path):
    # 打开两个音频文件
    with wave.open(original_path, 'rb') as orig_wav, wave.open(attacked_path, 'rb') as att_wav:
        # 先检查两个音频的参数必须完全一致（采样率、位深、声道数、长度）
        assert orig_wav.getparams() == att_wav.getparams(), \
            "Error: 两个音频的参数（采样率、位深、声道数等）必须完全匹配才能提取扰动！"
        
        # 读取所有音频帧
        orig_frames = orig_wav.readframes(-1)
        att_frames = att_wav.readframes(-1)
        
        # 根据位深选择对应的数据类型
        sample_width = orig_wav.getsampwidth()
        if sample_width == 1:
            dtype = np.uint8
            offset = 128  # 8位音频是无符号，要转成有符号计算
        elif sample_width == 2:
            dtype = np.int16
            offset = 0
        elif sample_width == 4:
            dtype = np.int32
            offset = 0
        else:
            raise ValueError(f"不支持的音频位深：{sample_width}字节")
        
        # 把字节数据转成数值数组
        orig_data = np.frombuffer(orig_frames, dtype=dtype) - offset
        att_data = np.frombuffer(att_frames, dtype=dtype) - offset
        
        # 计算扰动：带扰动音频 - 原始音频
        perturbation_data = att_data - orig_data
        
        # 转换回原始位深的字节格式
        perturbation_data += offset
        perturbation_frames = perturbation_data.astype(dtype).tobytes()
        
        # 写入输出文件
        with wave.open(output_path, 'wb') as out_wav:
            out_wav.setparams(orig_wav.getparams())
            out_wav.writeframes(perturbation_frames)

# 调用函数，替换成你的文件路径
extract_perturbation("original.wav", "attacked.wav", "perturbation.wav")

注意事项： #

• 对抗样本攻击生成的attacked.wav通常和original.wav参数完全一致，所以断言一般不会触发，但如果不一致，你需要先把两个音频转成相同参数（比如用FFmpeg转码）。
• 8位音频是无符号类型，所以要减去128转成有符号数再计算，避免溢出。

如果你经常处理音频，librosa会让代码更简洁，它会自动处理位深、声道等细节，不过需要先安装依赖：

pip install librosa soundfile

实现代码：

import librosa
import soundfile as sf

def extract_perturbation_librosa(original_path, attacked_path, output_path):
    # 读取音频，sr=None表示保留原始采样率
    orig_data, sr = librosa.load(original_path, sr=None, mono=False)
    att_data, _ = librosa.load(attacked_path, sr=sr, mono=False)
    
    # 检查音频形状是否一致
    assert orig_data.shape == att_data.shape, \
        "Error: 两个音频的声道数和长度必须一致！"
    
    # 直接计算扰动
    perturbation_data = att_data - orig_data
    
    # 写入输出文件：注意librosa返回的是(声道数, 采样点数)，soundfile需要转成(采样点数, 声道数)
    sf.write(output_path, perturbation_data.T, sr)

# 调用函数
extract_perturbation_librosa("original.wav", "attacked.wav", "perturbation.wav")

额外提示： #

• 提取出来的扰动音频大概率是人类几乎听不到的噪音，这是正常的——对抗扰动本来就是精心设计的、不影响听觉但能误导模型的微小信号。
• 如果需要调整扰动的音量，可以给perturbation_data乘以一个系数（比如perturbation_data * 10），但注意不要超出音频的数值范围（浮点型是[-1,1]）。

内容的提问来源于stack exchange，提问作者Alexis