Audiomentations

Audiomentations 是一个用于音频数据增强的 Python 库，旨在快速且易于使用——其 API 受到 albumentations 的启发。它有助于使音频深度学习模型不仅在实验室中表现良好，也能在真实场景中发挥出色效果。Audiomentations 仅在 CPU 上运行，支持单声道和多声道音频，并能很好地集成到训练流程中，例如使用 TensorFlow/Keras 或 PyTorch 构建的流程。该库已帮助用户在 Kaggle 竞赛中取得世界级成绩，并受到致力于利用 AI 打造下一代音频产品的公司的信赖。

如果你需要一个支持 GPU 的 PyTorch 特定替代方案，请查看 torch-audiomentations！

安装

pip install audiomentations

使用示例

from audiomentations import Compose, AddGaussianNoise, TimeStretch, PitchShift, Shift
import numpy as np

augment = Compose([
    AddGaussianNoise(min_amplitude=0.001, max_amplitude=0.015, p=0.5),
    TimeStretch(min_rate=0.8, max_rate=1.25, p=0.5),
    PitchShift(min_semitones=-4, max_semitones=4, p=0.5),
    Shift(p=0.5),
])

# 为了示例生成 2 秒的虚拟音频
samples = np.random.uniform(low=-0.2, high=0.2, size=(32000,)).astype(np.float32)

# 对音频数据进行增强/变换/扰动
augmented_samples = augment(samples=samples, sample_rate=16000)

文档

API 文档以及指南、示例代码、插图和示例音频均可在 https://iver56.github.io/audiomentations/ 获取。

变换

• AddBackgroundNoise：混合另一段声音以添加背景噪声
• AddColorNoise：添加具有特定频谱特性的噪声
• AddGaussianNoise：向音频样本添加高斯噪声
• AddGaussianSNR：使用随机选择的信噪比注入高斯噪声
• AddShortNoises：混合各种短促的噪声片段
• AdjustDuration：修剪或填充音频，使其符合目标时长
• AirAbsorption：应用频率相关的衰减，模拟空气吸收效应
• Aliasing：通过在不进行低通滤波的情况下下采样再上采样，产生混叠失真
• ApplyImpulseResponse：将音频与随机选择的冲激响应进行卷积
• BandPassFilter：在随机参数范围内应用带通滤波
• BandStopFilter：在随机参数范围内应用带阻（陷波）滤波
• BitCrush：在不加抖动的情况下进行位深度降低
• Clip：将音频样本限制在指定的最小值和最大值之间
• ClippingDistortion：通过剪切随机比例的样本使信号失真
• Gain：将音频乘以一个随机增益因子
• GainTransition：在随机时间段内逐渐改变增益
• HighPassFilter：在随机参数范围内应用高通滤波
• HighShelfFilter：应用具有随机参数的高架均衡器
• Lambda：应用用户自定义的变换
• Limiter：应用动态范围压缩来限制音频信号
• LoudnessNormalization：应用增益以匹配目标响度
• LowPassFilter：在随机参数范围内应用低通滤波
• LowShelfFilter：应用具有随机参数的低架均衡器
• Mp3Compression：压缩音频以降低质量
• Normalize：应用增益使最高信号电平达到0 dBFS
• Padding：用填充音替换开头或结尾的随机部分
• PeakingFilter：应用具有随机参数的峰值均衡器
• PitchShift：在不改变节奏的情况下升高或降低音高
• PolarityInversion：将音频样本上下翻转，反转其极性
• RepeatPart：将音频的一个子部分重复多次
• Resample：将信号重采样到随机选择的采样率
• Reverse：沿时间轴反转音频
• RoomSimulator：模拟房间对声源的影响
• SevenBandParametricEQ：调整7个频段的音量
• Shift：将样本向前或向后移动
• TanhDistortion：应用双曲正切失真来扭曲信号
• TimeMask：使音频的随机部分静音
• TimeStretch：在不改变音高的情况下改变速度
• Trim：修剪音频开头和结尾的静音部分

更改日志

[0.43.1] - 2025-09-13

修复

• 修复了0.43.0版本中引入的一个错误：当背景噪声比给定信号长时，AddBackgroundNoise添加的噪声会存在偏移问题。

完整更改日志及历史版本，请参阅https://iver56.github.io/audiomentations/changelog/

致谢

感谢所有帮助改进Audiomentations的贡献者。

Audiomentations 快速上手指南

Audiomentations 是一个高性能的 Python 音频数据增强库，旨在提升音频深度学习模型在真实场景中的泛化能力。其 API 设计灵感来源于 albumentations，支持 CPU 运行，兼容单声道与多通道音频，可无缝集成到 TensorFlow/Keras 或 PyTorch 训练流程中。

环境准备

• 操作系统：Linux (arm & x86)、macOS (arm)、Windows (x86)
• Python 版本：支持主流 Python 3.x 版本（具体支持版本请参考 PyPI 页面）
• 前置依赖：需安装 numpy 用于处理音频数组数据。

安装步骤

使用 pip 进行安装。国内开发者推荐使用清华或阿里镜像源以加速下载：

# 使用默认源安装
pip install audiomentations

# 或使用国内镜像源加速安装（推荐）
pip install audiomentations -i https://pypi.tuna.tsinghua.edu.cn/simple

提示：如果您需要专为 PyTorch 设计且支持 GPU 加速的版本，请查看 torch-audiomentations。

基本使用

以下示例展示了如何构建一个增强管道，对音频数据进行高斯噪声添加、时间拉伸、音高偏移和时间移位操作。

from audiomentations import Compose, AddGaussianNoise, TimeStretch, PitchShift, Shift
import numpy as np

# 1. 定义增强组合 (Compose)
# p 参数表示该变换被应用的概率
augment = Compose([
    AddGaussianNoise(min_amplitude=0.001, max_amplitude=0.015, p=0.5),
    TimeStretch(min_rate=0.8, max_rate=1.25, p=0.5),
    PitchShift(min_semitones=-4, max_semitones=4, p=0.5),
    Shift(p=0.5),
])

# 2. 准备音频数据
# 此处生成 2 秒的随机浮点数组作为示例 (采样率 16000)
samples = np.random.uniform(low=-0.2, high=0.2, size=(32000,)).astype(np.float32)

# 3. 执行增强
# 输入为音频样本数组 (samples) 和采样率 (sample_rate)
augmented_samples = augment(samples=samples, sample_rate=16000)

# augmented_samples 即为增强后的音频数据

更多详细的变换类型（如背景噪声、滤波器、混响模拟等）及参数说明，请访问官方文档：https://iver56.github.io/audiomentations/