در این مطلب، ویدئو پردازش صوتی شماره 5: نحوه دسترسی و جداسازی داده های صوتی استریو و رسم آن با استفاده از پایتون با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:09:32
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,030 –> 00:00:02,190
به همه در این آموزش من به
2
00:00:02,190 –> 00:00:05,569
شما نشان می دهم که چگونه داده های صوتی را از
3
00:00:05,569 –> 00:00:08,400
دو کانال جدا کنید، بنابراین در مورد فایل های استیو شما
4
00:00:08,400 –> 00:00:10,559
دو کانال وجود دارد و
5
00:00:10,559 –> 00:00:13,049
چگونه می توانیم داده ها را جدا کنیم و چگونه
6
00:00:13,049 –> 00:00:17,820
آن داده ها را با استفاده از پایتون بارگذاری کنیم، بنابراین من از آن استفاده می کنم.
7
00:00:17,820 –> 00:00:20,820
همان فایل wav را که در آموزش گذشته استفاده کرده ام،
8
00:00:20,820 –> 00:00:23,430
می توانید
9
00:00:23,430 –> 00:00:25,220
از این لینک دانلود کنید،
10
00:00:25,220 –> 00:00:31,349
بنابراین بیایید بسته wave و
11
00:00:31,349 –> 00:00:44,160
بسته numpy را وارد کنیم، فایل ما را بخوانید و
12
00:00:44,160 –> 00:00:46,620
به اطلاعات اولیه
13
00:00:46,620 –> 00:01:03,409
دسترسی پیدا کنید تا به نرخ نمونه برداری دسترسی پیدا کنیم و
14
00:01:03,409 –> 00:01:19,130
همچنین دسترسی به تعداد فریمها خوب است، بنابراین
15
00:01:19,130 –> 00:01:21,450
این فایل در واقع دو
16
00:01:21,450 –> 00:01:30,000
کانال دارد، اجازه دهید من به شما نشان دهم که
17
00:01:30,000 –> 00:01:33,659
تعداد کانالها دو است، یعنی زمانی
18
00:01:33,659 –> 00:01:36,780
که نمونهای جمعآوری میشود، هر نمونه
19
00:01:36,780 –> 00:01:38,729
دارای دو مقدار است، بنابراین مقدار اول از
20
00:01:38,729 –> 00:01:40,500
کانال اول مقدار دوم از کانال دوم.
21
00:01:40,500 –> 00:01:42,750
با خواندن این نوع
22
00:01:42,750 –> 00:01:45,899
دادهها چگونه میتوانیم برای هر کانال جدا کنیم،
23
00:01:45,899 –> 00:01:54,689
بنابراین اول از همه به
24
00:01:54,689 –> 00:01:59,430
آن دادهها دسترسی پیدا میکنیم تا به تمام
25
00:01:59,430 –> 00:02:01,290
نمونه دادههای نمونه صوتی از
26
00:02:01,290 –> 00:02:05,090
فایلهای wav دسترسی پیدا کنیم و چگونه میتوانیم این کار را
27
00:02:07,920 –> 00:02:10,500
انجام دهیم. این تابع خواندن فریمها را
28
00:02:10,500 –> 00:02:14,460
میخواند، بنابراین در این تابع به یک آرگومان نیاز دارد،
29
00:02:14,460 –> 00:02:17,130
بنابراین اگر میخواهید عددی را مشخص کنید
30
00:02:17,130 –> 00:02:19,320
، فرض کنید یکی در آن صورت
31
00:02:19,320 –> 00:02:21,780
اگر
32
00:02:21,780 –> 00:02:24,150
دو را مشخص کنید، فقط به یک فریم دسترسی پیدا میکند، به دو فریم دسترسی پیدا میکند،
33
00:02:24,150 –> 00:02:26,070
اما در صورت عدم دسترسی به یک فریم. نمی دانید چند
34
00:02:26,070 –> 00:02:28,380
فریم وجود دارد که از یک راه می توانید
35
00:02:28,380 –> 00:02:30,450
به تعداد فریم هایی دسترسی پیدا کنید که ما در اینجا انجام داده ایم،
36
00:02:30,450 –> 00:02:35,880
بنابراین می توانید آن را به عنوان آرگومان
37
00:02:35,880 –> 00:02:40,070
در اینجا مشخص کنید یا به سادگی می توانید منفی 1 را بنویسید
38
00:02:40,070 –> 00:02:43,980
تا به تمام داده ها دسترسی پیدا کند اکنون این
39
00:02:43,980 –> 00:02:45,989
داده در واقع یک باینری است. داده ها و
40
00:02:45,989 –> 00:02:51,989
ذخیره شده به شکل رشته ای اجازه دهید به
41
00:02:51,989 –> 00:02:55,980
شما نشان دهم، بنابراین اگر می توانید ببینید که در یک رشته ذخیره شده است
42
00:02:55,980 –> 00:02:59,040
و در قالب هگزادسیمال است، بنابراین
43
00:02:59,040 –> 00:03:01,260
آنچه که ما نیاز داریم برای تبدیل این
44
00:03:01,260 –> 00:03:05,400
داده ها به اعداد صحیح نیاز داریم و چگونه می توانیم انجام دهیم
45
00:03:05,400 –> 00:03:13,769
که می توانیم از یک رشته استفاده کنیم. تابع از
46
00:03:13,769 –> 00:03:20,340
رشته بسته numpy و در اینجا
47
00:03:20,340 –> 00:03:22,140
باید دادههایی را که میخواهیم
48
00:03:22,140 –> 00:03:24,420
تبدیل کنیم و در اینجا باید نوع دادهای را که میخواهیم آن داده را تبدیل کنیم، مشخص کنیم،
49
00:03:24,420 –> 00:03:26,850
50
00:03:26,850 –> 00:03:37,410
بنابراین مسئله این است که اگر
51
00:03:37,410 –> 00:03:39,060
شما نیز این اخطار منسوخ شدن را دریافت
52
00:03:39,060 –> 00:03:41,880
میکنید، برای شما خوب است اما
53
00:03:41,880 –> 00:03:44,060
اگر نمیخواهید آن را ببینید، میتوانید به سادگی از
54
00:03:44,060 –> 00:03:54,120
این تابع از قبل استفاده کنید، حالا اجازه دهید
55
00:03:54,120 –> 00:04:00,720
دادهها را به شما نشان دهم، بنابراین این یک آرایه اعداد است،
56
00:04:00,720 –> 00:04:02,519
اکنون مسئله این است که ما باید
57
00:04:02,519 –> 00:04:05,670
این دادهها را بازسازی کنیم و به گونهای
58
00:04:05,670 –> 00:04:10,470
که یک ستون تمام
59
00:04:10,470 –> 00:04:12,799
نمونههای گرفته شده از یک کانال را نشان میدهد و
60
00:04:12,799 –> 00:04:16,769
ستونی دیگر همه نمونههای
61
00:04:16,769 –> 00:04:19,630
گرفتهشده از کانال دیگر را نشان میدهد،
62
00:04:19,630 –> 00:04:22,150
بنابراین برای انجام این کار چگونه میتوانیم
63
00:04:22,150 –> 00:04:26,410
این آرایه اعداد را تغییر شکل دهیم، میتوانیم دادههای جدید dr را بنویسیم
64
00:04:26,410 –> 00:04:27,670
65
00:04:27,670 –> 00:04:31,240
. شکل پس می خواهیم آن را
66
00:04:31,240 –> 00:04:34,480
در دو ستون تغییر ساختار دهیم بنابراین مقدار اول متعلق به
67
00:04:34,480 –> 00:04:36,190
ستون اول است مقدار دوم متعلق به
68
00:04:36,190 –> 00:04:38,440
دوم است و سوم متعلق به اول
69
00:04:38,440 –> 00:04:42,460
برای مدت طولانی به دوم است اکنون در این مورد
70
00:04:42,460 –> 00:04:44,230
مطم