SoX（即 Sound eXchange）是一個(gè)跨平臺(tái)（Windows，Linux，MacOS 等）的命令行實(shí)用程序，可以將各種格式的音頻文件轉(zhuǎn)換為需要的其他格式。
SoX 還可以對(duì)輸入的音頻文件應(yīng)用各種效果，也支持在大多數(shù)平臺(tái)上播放和錄制音頻文件。

一、簡介

SoX 可以讀取和寫入常見格式的音頻文件，并在此過程中選擇性的加入一些聲音效果。
它可以組合多個(gè)輸入源及合成音效，在許多系統(tǒng)上也可以作為音頻播放器或多軌錄音機(jī)使用。
SoX 工具在大部分 Linux 系統(tǒng)上都可以直接通過軟件包管理器安裝（如 sudo apt-get install sox），Mac 系統(tǒng)上則可以使用 brew install sox 命令。

SoX 處理音頻的基本流程如下：
Input(s) -> Combiner -> Effects -> Output(s)

SoX 工具的所有功能都可以通過一個(gè)簡單的 sox 命令及相應(yīng)的選項(xiàng)實(shí)現(xiàn)。但它同時(shí)提供了 play 命令用于播放音頻文件，rec 命令用于錄制音頻，以及 soxi 命令用于獲取音頻的文件頭中包含的信息。

上述幾個(gè)命令的基本格式如下：

SYNOPSIS
       sox [global-options] [format-options] infile1
            [[format-options] infile2] ... [format-options] outfile
            [effect [effect-options]] ...

       play [global-options] [format-options] infile1
            [[format-options] infile2] ... [format-options]
            [effect [effect-options]] ...

       rec [global-options] [format-options] outfile
            [effect [effect-options]] ...
       
       soxi [-V[level]] [-T] [-t|-r|-c|-s|-d|-D|-b|-B|-p|-e|-a] infile1 ...

二、基本使用

1. 獲取音頻文件的元數(shù)據(jù)

soxi 或 sox --i 命令可以通過分析音頻文件的文件頭，獲取其元數(shù)據(jù)（如通道數(shù)、采樣率、編碼等）。

$ soxi Faded.wav

Input File     : 'Faded.wav'
Channels       : 2
Sample Rate    : 44100
Precision      : 16-bit
Duration       : 00:03:32.63 = 9376836 samples = 15947 CDDA sectors
File Size      : 37.5M
Bit Rate       : 1.41M
Sample Encoding: 16-bit Signed Integer PCM

soxi 命令跟上某個(gè)特定的選項(xiàng)可以只獲取該選項(xiàng)對(duì)應(yīng)的信息，如只顯示某音頻文件 Faded.wav 的比特率（Bit Rate）：

$ soxi -B Faded.wav
1.41M

soxi 命令支持的所有選項(xiàng)及其含義如下：

$ soxi
Usage: soxi [-V[level]] [-T] [-t|-r|-c|-s|-d|-D|-b|-B|-p|-e|-a] infile1 ...

-t  Show detected file-type
-r  Show sample-rate
-c  Show number of channels
-s  Show number of samples (0 if unavailable)
-d  Show duration in hours, minutes and seconds (0 if unavailable)
-D  Show duration in seconds (0 if unavailable)
-b  Show number of bits per sample (0 if not applicable)
-B  Show the bitrate averaged over the whole file (0 if unavailable)
-p  Show estimated sample precision in bits
-e  Show the name of the audio encoding
-a  Show file comments (annotations) if available

With no options, as much information as is available is shown for
each given file.

2. 獲取音頻的統(tǒng)計(jì)信息

可以使用 sox <inputfile> -n stat 命令獲取某音頻文件的統(tǒng)計(jì)信息。示例如下：

$  sox Faded.wav -n stat
Samples read:          18753672
Length (seconds):    212.626667
Scaled by:         2147483647.0
Maximum amplitude:     0.977417
Minimum amplitude:    -0.977478
Midline amplitude:    -0.000031
Mean    norm:          0.229415
Mean    amplitude:    -0.000006
RMS     amplitude:     0.302594
Maximum delta:         1.765564
Minimum delta:         0.000000
Mean    delta:         0.202369
RMS     delta:         0.273320
Rough   frequency:         6339
Volume adjustment:        1.023

3. 播放與錄制

play 和 rec 命令提供了最基本的播放和錄制功能。
播放：$ play existing-file.wav
錄制：$ rec new-file.wav

上述命令等同于 sox 命令的如下形式：
$ sox existing-file.wav ?d（播放）和 sox ?d new-file.wav（錄制）
其中 -d 選項(xiàng)用于指定播放或錄制時(shí)使用的音頻設(shè)備，不指定時(shí)則表示使用默認(rèn)設(shè)備。

可以這樣理解：

• sox existing-file.wav -d 就是從 existing-file.wav 文件中讀取其包含的音頻數(shù)據(jù)，再輸出到 -d （默認(rèn)音頻設(shè)備，揚(yáng)聲器）進(jìn)行播放；
• sox -d new-file.wav 就是從 -d （默認(rèn)音頻設(shè)備，麥克風(fēng)）中讀取音頻數(shù)據(jù)，再輸出（錄制）到 new-file.wav 文件中。

其實(shí)都遵循了一個(gè)基本的格式，即 sox <input> <output> 。而其中的 <input> 和 <output> 根據(jù)需要既可以為某個(gè)具體的音頻文件，也可以是某個(gè)具體的音頻設(shè)備。

播放或錄制的同時(shí)，也可以對(duì)音頻文件應(yīng)用指定的編輯操作或效果選項(xiàng)，因此在對(duì)音頻數(shù)據(jù)應(yīng)用某效果前，可以先使用 play 命令進(jìn)行“預(yù)覽”。

如 trim 效果可以從音頻文件中裁剪提取指定的片段到輸出文件。play 命令通過該效果可以直接播放指定片段：
$ play foo.wav trim 10.0 5.0 或 $ play foo.wav trim 10.0 =15.0
播放 foo.wav 文件中 10-15s 之間的音頻片段

使用 echo 效果播放 Faded.wav 文件：

$ play Faded.wav echo 0.8 0.88 200.0 0.4

Faded.wav:

 File Size: 37.5M     Bit Rate: 1.41M
  Encoding: Signed PCM
  Channels: 2 @ 16-bit
Samplerate: 44100Hz
Replaygain: off
  Duration: 00:03:32.63

In:12.1% 00:00:25.82 [00:03:06.81] Out:1.14M [-=====|=====-] Hd:2.7 Clip:0

4. 音頻格式轉(zhuǎn)換

文件格式類型

對(duì)于音頻數(shù)據(jù)格式的描述，主要通過以下 4 種屬性：

• 采樣率（sample rate）：指聲音由模擬信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)的過程中，每秒從連續(xù)信號(hào)中提取的用于組成離散信號(hào)的樣本個(gè)數(shù)。
  音頻CD所用的采樣率為 44100 Hz，數(shù)字音頻磁帶和許多計(jì)算機(jī)系統(tǒng)使用 48000 Hz，專業(yè)級(jí)音頻系統(tǒng)通常使用 96000 Hz。

• 采樣大小（sample size 或 Precision）：音頻采樣時(shí)用于存儲(chǔ)每個(gè)樣本的數(shù)據(jù)位數(shù)（bits）。如今 16 bit 的采樣大小已被廣泛使用，24 bit 主要用于專業(yè)音頻領(lǐng)域。

• 編碼格式（data encoding）：即每個(gè)音頻樣本的表示（即“編碼”）方式。常用的編碼類型包括 floating-point、μ-law、ADPCM、singed-integer PCM、MP3 和 FLAC 等。

• 通道（channel）：即文件中包含的音頻通道的數(shù)量。其中單聲道（mono）和雙聲道（stereo）是最常見的兩種，“環(huán)繞聲”音頻（Surround sound）通常包含六個(gè)或更多聲道。

此外，音頻文件還使用比特率（Bit Rate）表示一個(gè)單位時(shí)間內(nèi)編碼音頻信號(hào)占用的存儲(chǔ)空間大小， 它的數(shù)值一般取決于所有的上述四個(gè)參數(shù)。
MP3 編碼的立體聲音樂通常具有 128-196kbps 的比特率， FLAC 編碼的立體聲音樂通常具有 550-760kbps 的比特率。

我個(gè)人是這樣想的，，，可以將一段音頻數(shù)據(jù)看成很長很長的一排蘋果樹，從頭走到尾，每隔一段距離停下，摘下滿滿一筐蘋果。。。
筐的大小就是采樣大小，停下來采摘的次數(shù)就是采樣頻率，比特率就是把一定數(shù)量的蘋果“榨成汁”（以特定的格式對(duì)音頻編碼）以后的重量，當(dāng)然有些榨汁方法會(huì)造成一定的損失。

格式轉(zhuǎn)換

形式最簡單的 sox 命令即使用兩個(gè)文件名作為參數(shù)，如：
$ sox Faded.wav Faded.mp3 ：將 Faded.wav 文件的格式由 wav 轉(zhuǎn)為 mp3

上述命令執(zhí)行時(shí)，SoX 會(huì)先從 Faded.wav 文件中讀取音頻數(shù)據(jù)，再將其輸出到 Faded.mp3 文件中。而 SoX 程序會(huì)根據(jù)參數(shù)中文件名的后綴推斷出相應(yīng)的格式，并在復(fù)制音頻數(shù)據(jù)的過程中自動(dòng)進(jìn)行轉(zhuǎn)碼。

SoX 可以處理 self-describing 和 raw 格式的音頻文件。
self-describing 格式（如 WAV、FLAC、MP3）的文件包含一個(gè)用于描述信號(hào)和編碼屬性的文件頭，而 raw 或 headless 格式的音頻則不包含這些信息。

所以當(dāng) raw 格式的音頻作為輸入文件時(shí)，需要在 sox 命令的格式選項(xiàng)里指定其信號(hào)和編碼屬性。

常用的音頻格式選項(xiàng)：

上述選項(xiàng)適用于輸入或輸出文件，主要用于說明 raw（或 headless）文件作為輸入時(shí)的格式信息，或格式轉(zhuǎn)換時(shí)指定輸出文件的具體參數(shù)。

$ sox ?r 48k ?e float ?b 32 ?c 2 input.raw output.wav
將某個(gè)特定的 raw 格式的音頻文件轉(zhuǎn)換為 wav 格式

$ sox Faded.wav Faded.raw
將音頻文件 Faded.wav 轉(zhuǎn)為 raw 格式

$ play -r 44800 -b 16 -e signed-integer -c 2 Faded.raw
播放 raw 格式的音頻文件

$ sox Faded.wav -c 1 Faded-mono.wav
將 Faded.wav 文件轉(zhuǎn)換成單聲道（-c 1）后輸出

三、音頻效果

SoX 工具可以在音頻處理的過程中，對(duì)輸入的音頻數(shù)據(jù)應(yīng)用眾多的效果。
可以使用如下命令查看所有效果的幫助信息：

$ sox --help-effect all | less
sox:      SoX v

Effect usage:

allpass frequency width[h|k|q|o]


band [-n] center [width[h|k|q|o]]


bandpass [-c] frequency width[h|k|q|o]


bandreject frequency width[h|k|q|o]


bass gain [frequency(100) [width[s|h|k|q|o]](0.5s)]


bend [-f frame-rate(25)] [-o over-sample(16)] {start,cents,end}

:

也可以直接查看具體某個(gè)音頻效果的使用方法：

$  sox --help-effect echo
sox:      SoX v

Effect usage:

echo gain-in gain-out delay decay [ delay decay ... ]

以下是一些簡單的應(yīng)用場景。

1. 更改聲道數(shù)

sox 命令可以更改音頻文件中聲道的數(shù)目，如將單聲道音頻轉(zhuǎn)換成雙聲道：
$ sox foo.wav foostereo.wav channels 2 或 $ sox foo.wav -c 2 foostereo.wav

但是上述命令并沒有創(chuàng)建一個(gè)“真實(shí)”的雙聲道音頻，而是將單聲道音頻復(fù)制成完全一致的兩個(gè)聲道再合并到輸出文件中。

可以通過 sox 命令的 -M 選項(xiàng)將左右兩個(gè)聲道的單聲道音頻合并成一個(gè)雙聲道文件：
$ sox -M left.wav right.wav stereo.wav

當(dāng)然，也可以通過對(duì)雙聲道文件中兩個(gè)聲道的均一化處理，將其輸出為單聲道音頻：
$ sox original.wav mono.wav channels 1 或 $ sox original.wav -c 1 mono.wav

remix

通過 sox 命令的 remix 效果也可以完成對(duì)聲道數(shù)據(jù)的提取或融合。

提取雙聲道音頻文件中單個(gè)聲道的數(shù)據(jù)并作為單聲道音頻輸出：
$ sox stereo.wav left.wav remix 1 （提取左聲道音頻）
$ sox stereo.wav right.wav remix 2 （提取右聲道音頻）

融合雙聲道文件中兩個(gè)聲道的音頻數(shù)據(jù)并作為單聲道音頻輸出：
$ sox stereo.wav mono.wav remix 1,2 或
$ sox stereo.wav mono.wav remix 1-2

此外，remix 還可以將輸入文件中的多個(gè)聲道數(shù)據(jù)分別進(jìn)行融合。
如使用 -M 選項(xiàng)將兩個(gè)雙聲道音頻合并，再通過 remix 將合并得到的四個(gè)聲道兩兩融合，生成一個(gè)只包含兩個(gè)聲道的輸出文件。
$ sox -M stereo1.wav stereo2.wav output.wav remix 1,3 2,4

2. 改變音量

sox 命令的 -v 選項(xiàng)可以用來（成倍地）改變音量的大小：
$ sox -v 0.5 foo.wav bar.wav
上述命令將 foo.wav 音頻放大 0.5 倍音量后輸出至 bar.wav 文件

可以將音量放大功能與 stat 效果結(jié)合。
以 sox foo.wav -n stat -v 命令返回的數(shù)字作為放大倍數(shù)，將最大化 foo.wav 的音量而不至于出現(xiàn)削波：

$ sox foo.wav -n stat -v 2> vc
$ sox -v `cat vc` foo.wav foo-maxed.wav

此外，還有一個(gè)選項(xiàng) --norm 用來歸一化音頻響度。為了最大化音頻的聲音強(qiáng)度，可以在處理輸入音頻時(shí)將該選項(xiàng)設(shè)置為 -1：
sox --norm=-1 <inputfile> <outputfile>

3. 提取文件的某個(gè)部分

sox 命令的 trim 效果可以將輸入音頻的某一段裁剪出來并提取到輸出文件中。

trim 接收兩個(gè)參數(shù)，一個(gè)作為裁剪片段的起始位置，另一個(gè)作為該片段持續(xù)的時(shí)間。
可以使用整數(shù)+s格式的參數(shù)以樣本個(gè)數(shù)作為計(jì)量單位，也可以直接使用 ((hh:)mm:)ss(.fs) 形式的時(shí)間參數(shù)。當(dāng)參數(shù)為純整數(shù)時(shí)，單位為秒。

$ sox Input.wav Half1.wav trim 0 30:00 截取輸入文件中前 30 分鐘的音頻
$ sox Input.wav Half2.wav trim 30:00 30:00 截取輸入文件中從第 30 分鐘開始到第 60 分鐘的音頻

4. 拼接文件

與前面裁剪提取的操作相反，sox 命令還可以實(shí)現(xiàn)對(duì)兩個(gè)或多個(gè)音頻文件的拼接。

$ sox Half1.wav Half2.wav Full.wav
將 Half1.wav 和 Half2.wav 合并至 Full.wav 文件。注意合并前的音頻文件需保持一致的類型和采樣率等。

5. 合成音頻

sox 命令可以通過 synth 效果合成許多標(biāo)準(zhǔn)波形和噪聲類型。

$ sox -n sine.wav synth 1.0 sine 1000.0
合成頻率為 1000 Hz 長度為 1 秒的正弦波，保存至 sine.wav 文件中。

synth 支持合成的聲音類型包括 sine、square、triangle、sawtooth、trapetz (trapezoidal)、exp (exponential)、whitenoise、pinknoise 和 brownnoise。

6. 靜音效果

sox 命令可以創(chuàng)建靜音狀態(tài)的音頻片段，使用 -n 選項(xiàng)表示沒有輸入，通過 trim 效果指定需要靜音的片段。

$ sox -n -r 48000 silence.wav trim 0.0 0.250
在 slience.wav 文件中創(chuàng)建一段長度為 250ms 采樣率為 48000Hz 的靜音片段。

7. 混合音頻

sox 命令的 -m 選項(xiàng)可以將兩個(gè)音頻文件混合以后生成輸出文件。

$ sox -m sine100.wav sine250.wav sine100-250.wav
將 sine100.wav 和 sine250.wav 兩個(gè)音頻文件融合以后作為 sine100-250.wav 文件的音頻數(shù)據(jù)。

$ sox -m -v0.5 music.mp3 -v2 speech.wav presentation.wav
將背景音樂（music.mp3）音量降低一半后與放大 2 倍音量的人聲數(shù)據(jù)（speech.wav）融合。

如果不確定融合效果，可以先通過 play 命令使用相同的參數(shù)對(duì)結(jié)果進(jìn)行“預(yù)覽”：
$ play -m -v0.5 music.mp3 -v2 speech.wav

PS：
與前面的 -M 選項(xiàng)不同，-m 選項(xiàng)傾向于對(duì)聲道數(shù)據(jù)的混合，即兩個(gè)單聲道文件通過 -m 混合以后輸出仍是單聲道數(shù)據(jù)。輸出文件中的單個(gè)聲道包含了輸入的兩個(gè)聲道的特征。

而 -M 選項(xiàng)更傾向于對(duì)音頻文件的合并，默認(rèn)不對(duì)聲道數(shù)據(jù)進(jìn)行混合。所以兩個(gè)單聲道文件通過 -M 合并以后默認(rèn)輸出雙聲道音頻。輸出文件中的兩個(gè)聲道分別對(duì)應(yīng)于輸入的兩個(gè)聲道（數(shù)據(jù)沒有混合）。除非通過 -c 選項(xiàng)手動(dòng)指定輸出文件的聲道數(shù)量。

8. 改變播放速度

可以通過 stretch 效果改變音頻文件的播放速度，同時(shí)不會(huì)導(dǎo)致音高的變化。

如以 2x 倍速播放 Faded.wav 文件：
$ play Faded.wav stretch 0.5

也可以通過 speed 效果調(diào)節(jié)播放速度（相應(yīng)地音高也會(huì)發(fā)生變化）：
$ play Faded.wav speed 2

此外，可以使用 pitch 效果調(diào)節(jié)音頻片段的音高，以音分（cents）為單位。

$ play Faded.wav pitch 200
將 Faded.wav 文件中的音頻提高 200 音分，即提高 2 個(gè)半音的音程（每一個(gè)半音的音程等于 100 音分）。

參考資料

SoX
Using Sox
How to process audio files from the command line with SoX