https://github.com/foyoux/pilk
python silk codec bindings 支持微信语音编解码
https://github.com/foyoux/pilk
decode encode media python qq silk tencent voice wechat
Last synced: 26 days ago
JSON representation
python silk codec bindings 支持微信语音编解码
- Host: GitHub
- URL: https://github.com/foyoux/pilk
- Owner: foyoux
- License: gpl-3.0
- Created: 2022-01-04T03:32:10.000Z (about 4 years ago)
- Default Branch: main
- Last Pushed: 2025-01-08T10:57:00.000Z (about 1 year ago)
- Last Synced: 2025-08-30T16:32:08.600Z (6 months ago)
- Topics: decode, encode, media, python, qq, silk, tencent, voice, wechat
- Language: C
- Homepage:
- Size: 415 KB
- Stars: 135
- Watchers: 0
- Forks: 21
- Open Issues: 5
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# pilk
python silk codec binding 支持微信语音编解码
pilk: python + silk
关联项目: [weixin-wxposed-silk-voice](https://github.com/foyoux/weixin-wxposed-silk-voice)
## 安装
[](https://pypi.org/project/pilk/) [](https://pepy.tech/project/pilk)
```bash
pip install pilk
```
## 介绍与说明
[**SILK**](https://en.wikipedia.org/wiki/SILK) 是一种语音编码格式，由 [**Skype**](https://en.wikipedia.org/wiki/Skype_Technologies)
公司研发，网上可找到的最新版本是 2012 发布的。
**SILK** 原始代码已上传到 [Release](https://github.com/foyoux/pilk/releases/tag/v0.0.1) , 包含规范文档
**Tencent** 系语音支持来自 [silk-v3-decoder](https://github.com/kn007/silk-v3-decoder)
[Release ](https://github.com/foyoux/pilk/releases/tag/v0.0.1)
中也包含 [silk-v3-decoder](https://github.com/kn007/silk-v3-decoder) 重编译的 **x64-win**
版本，支持中文，[源代码](https://github.com/foyoux/silk-codec)
### **SILK** 编码格式 和 **Tencent** 系语音的关系：
> 此处 **Tencent** 系语音，仅以微信语音为例
1. 标准 **SILK** 文件以 `b'#!SILK_V3'` 开始，以 `b'\xFF\xFF'` 结束，中间为语音数据
2. 微信语音文件在标准 **SILK** 文件的开头插入了 `b'\x02'`，去除了结尾的 `b'\xFF\xFF'`，中间不变
> 已下统称为语音文件
### 语音数据
语音数据分为很多个独立 **frame**，每个 **frame** 开头两字节存储剩余 **frame** 数据的大小，每个 **frame** 默认存储 **20ms** 的音频数据
据此可写出获取 **语音文件** 持续时间(duration) 的函数（此函数 **pilk** 中已包含）
```python
def get_duration(silk_path: str, frame_ms: int = 20) -> int:
"""获取 silk 文件持续时间，单位：ms"""
with open(silk_path, 'rb') as silk:
tencent = False
if silk.read(1) == b'\x02':
tencent = True
silk.seek(0)
if tencent:
silk.seek(10)
else:
silk.seek(9)
i = 0
while True:
size = silk.read(2)
if len(size) != 2:
break
i += 1
size = size[0] + size[1] * 16
silk.seek(silk.tell() + size)
return i * frame_ms
```
根据 **SILK** 格式规范，**frame_ms** 可为 `20, 40, 60, 80, 100`
## 快速入门
> 详情请在 IDE 中查看 API 文档注释
在使用 **pilk** 之前，你还需清楚 **音频文件 `mp3, aac, m4a, flac, wav, ...`** 与 **语音文件** 之间的转换是借助 [**PCM raw
data**](https://en.wikipedia.org/wiki/Pulse-code_modulation) 完成的
具体转换关系：音频文件 ⇔ PCM ⇔ 语音文件
1. 音(视)频文件 ➜ PCM
> 借助 ffmpeg，你当然需要先有 [ffmpeg](https://www.ffmpeg.org/download.html)
```bat
ffmpeg -y -i <音(视)频输入文件> -vn -ar <采样率> -ac 1 -f s16le
```
1. `-y`: 可加可不加，表示 已存在时不询问，直接覆盖
2. `-i`: 没啥好说的，固定的，后接 <音(视)频输入文件>
3. `-vn`: 表示不处理视频数据，建议添加，虽然不加也不会处理视频数据（视频数据不存在转PCM的说法），但可能会打印警告
4. `-ar`: 设置采样率，可选的值是 [8000, 12000, 16000, 24000, 32000, 44100, 48000], 这里你可以直接理解为声音质量
5. `-ac`: 设置声道数，在这里必须为 **1**，这是由 **SILK** 决定的
6. `-f`: 表示强制转换为指定的格式，一般来说必须为 **s16le**, 表示 `16-bit short integer Little-Endian data`
7. example1: `ffmpeg -y -i mv.mp4 -vn -ar 44100 -ac 1 -f s16le mv.pcm`
8. example2: `ffmpeg -y -i music.mp3 -ar 44100 -ac 1 -f s16le music.pcm`
2. PCM ➜ 音频文件
```bat
ffmpeg -y -f s16le -ar <采样率> -ac <声道数> -i <音频输出文件>
```
1. `-f`: 这里必须为 `s16le`, 同样也是由 **SILK** 决定的
2. `-ar`: 同上
3. `-ac`: 含义同上，值随意
4. `<音频输出文件>`: 扩展名要准确，没有指定格式时，**ffmpeg** 会根据给定的输出文件扩展名来判断需要输出的格式
5. example3: `ffmpeg -y -f s16le -ar 16000 -i test.pcm test.mp3`
> ffmpeg 也可以使用 python ffmpeg binding 替换，推荐 [PyAV](https://github.com/PyAV-Org/PyAV) 大家自行研究，这里不再啰嗦。
讲完了 音频文件 ⇔ PCM，接下来就是用 **pilk** 进行 PCM ⇔ 语音文件 互转
### silk 编码
```python
import pilk
# pcm_rate 参数必须和 使用 ffmpeg 转 音频 到 PCM 文件时，使用的 `-ar` 参数一致
# pcm_rate 参数必须和 使用 ffmpeg 转 音频 到 PCM 文件时，使用的 `-ar` 参数一致
# pcm_rate 参数必须和 使用 ffmpeg 转 音频 到 PCM 文件时，使用的 `-ar` 参数一致
duration = pilk.encode("test.pcm", "test.silk", pcm_rate=44100, tencent=True)
print("语音时间为:", duration)
```
### silk 解码
```python
import pilk
# pcm_rate 参数必须和 使用 ffmpeg 转 音频 到 PCM 文件时，使用的 `-ar` 参数一致
duration = pilk.decode("test.silk", "test.pcm")
print("语音时间为:", duration)
```
## 使用 Python 转任意媒体文件到 SILK
使用 [pudub](https://github.com/jiaaro/pydub) 依赖 [ffmpeg](https://www.ffmpeg.org/)
```python
import os, pilk
from pydub import AudioSegment
def convert_to_silk(media_path: str) -> str:
"""将输入的媒体文件转出为 silk, 并返回silk路径"""
media = AudioSegment.from_file(media_path)
pcm_path = os.path.basename(media_path)
pcm_path = os.path.splitext(pcm_path)[0]
silk_path = pcm_path + '.silk'
pcm_path += '.pcm'
media.export(pcm_path, 's16le', parameters=['-ar', str(media.frame_rate), '-ac', '1']).close()
pilk.encode(pcm_path, silk_path, pcm_rate=media.frame_rate, tencent=True)
return silk_path
```
使用 [pyav](https://github.com/PyAV-Org/PyAV) **推荐**
```python
import os
import av
import pilk
def to_pcm(in_path: str) -> tuple[str, int]:
"""任意媒体文件转 pcm"""
out_path = os.path.splitext(in_path)[0] + '.pcm'
with av.open(in_path) as in_container:
in_stream = in_container.streams.audio[0]
sample_rate = in_stream.codec_context.sample_rate
with av.open(out_path, 'w', 's16le') as out_container:
out_stream = out_container.add_stream(
'pcm_s16le',
rate=sample_rate,
layout='mono'
)
try:
for frame in in_container.decode(in_stream):
frame.pts = None
for packet in out_stream.encode(frame):
out_container.mux(packet)
except:
pass
return out_path, sample_rate
def convert_to_silk(media_path: str) -> str:
"""任意媒体文件转 silk, 返回silk路径"""
pcm_path, sample_rate = to_pcm(media_path)
silk_path = os.path.splitext(pcm_path)[0] + '.silk'
pilk.encode(pcm_path, silk_path, pcm_rate=sample_rate, tencent=True)
os.remove(pcm_path)
return silk_path
```