Pythonで音声処理入門：PyAudioの使い方ガイド

Pythonで音声を扱いたいときに便利なのが PyAudio ライブラリです。

PyAudioを使うと、マイクからの入力を録音したり、音声データを再生したり、リアルタイムで処理したりできます。

本記事では、インストール方法から基礎的な使い方、サンプルコード、高度な設定例、最後に演習問題とその解答例まで幅広く解説します。初心者の方にもわかりやすいように、順を追って丁寧に説明していきます。

PyAudioとは

PyAudioは、PortAudioというC言語ベースのクロスプラットフォーム音声入出力ライブラリのPythonバインディングです。

Windows、macOS、Linuxで動作し、数行のコードで音声のキャプチャや再生を実現できます。

インストール方法

PyAudioを使うには、まずPortAudio本体とPyAudioパッケージをインストールします。以下の手順を参考にしてください。

PortAudioのインストール

brew install portaudio

sudo apt-get update sudo apt-get install portaudio19-dev

PyAudioのインストール

pip install pyaudio

基本的な録音・再生の流れ

PyAudioで音声を扱う場合、以下の3ステップが基本です。

1. ストリームの作成
   音声入出力の設定（サンプリングレート、チャネル数、フォーマットなど）
2. ストリームの開始と読み書き
   stream.read() で録音、stream.write() で再生
3. ストリームの終了・解放
   stream.stop_stream() → stream.close() → p.terminate()

サンプルコード：録音→保存→再生

以下の例は、マイクから音声を2秒間録音し、WAVファイルに保存、その後再生を行うシンプルなコードです。

import pyaudio
import wave

# 録音設定
FORMAT = pyaudio.paInt16   # 16ビット整数
CHANNELS = 1               # モノラル
RATE = 44100               # サンプリングレート
CHUNK = 1024               # フレームサイズ
RECORD_SECONDS = 2         # 録音時間
WAVE_OUTPUT_FILENAME = "output.wav"

# PyAudioオブジェクト生成
p = pyaudio.PyAudio()

# 録音用ストリーム開始
stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)

print("Recording...")

frames = []
for _ in range(int(RATE / CHUNK * RECORD_SECONDS)):
    data = stream.read(CHUNK)
    frames.append(data)

print("Finished recording.")

# ストリーム停止・解放
stream.stop_stream()
stream.close()
p.terminate()

# WAVファイルに保存
wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')
wf.setnchannels(CHANNELS)
wf.setsampwidth(p.get_sample_size(FORMAT))
wf.setframerate(RATE)
wf.writeframes(b''.join(frames))
wf.close()

# 再生
wf = wave.open(WAVE_OUTPUT_FILENAME, 'rb')
p = pyaudio.PyAudio()
stream = p.open(format=p.get_format_from_width(wf.getsampwidth()),
                channels=wf.getnchannels(),
                rate=wf.getframerate(),
                output=True)

print("Playing back...")
data = wf.readframes(CHUNK)
while data:
    stream.write(data)
    data = wf.readframes(CHUNK)

stream.stop_stream()
stream.close()
p.terminate()
print("Done.")

open() メソッドで指定できる主なストリームプロパティについて

よく使うものを中心に詳しく解説します。

各プロパティの選び方ガイド

# 例
p = pyaudio.PyAudio()
for i in range(p.get_device_count()):
    info = p.get_device_info_by_index(i)
    print(i, info['name'], '(入力)' if info['maxInputChannels'] > 0 else '')

ストリームの詳細設定

非同期コールバック方式

大きなバッファを用意せず、イベント駆動でリアルタイム処理したい場合には、コールバック方式を使います。

import pyaudio

def callback(in_data, frame_count, time_info, status):
    # ここでin_dataを加工可能
    return (in_data, pyaudio.paContinue)

p = pyaudio.PyAudio()
stream = p.open(format=pyaudio.paInt16,
                channels=1,
                rate=44100,
                input=True,
                frames_per_buffer=1024,
                stream_callback=callback)

stream.start_stream()

# 5秒間待機
import time; time.sleep(5)

stream.stop_stream()
stream.close()
p.terminate()

トラブルシューティング

webrtcvad.Error: Error while processing frame

ほとんどの場合「VAD に渡している音声バッファの長さ（またはフォーマット）が正しくない」ことが原因です。

WebRTC VAD が受け付けるオーディオは以下の条件に厳密に合致している必要があります。

1. フレーム長：10 ms、20 ms、または 30 ms
2. サンプリングレート：8 kHz、16 kHz、32 kHz、または 48 kHz
3. フォーマット：モノラルの 16bit PCM

例えば 16 kHz、30 ms の場合、必要なバッファサイズは以下になります。

サンプル数 = RATE × （フレーム長 [ms] / 1000）

• RATE = 16000
• フレーム長 = 30 ms
• サンプル数 = 16000 × 30/1000 = 480 samples

→ frames_per_buffer=480 にする必要があります。

OSError: [Errno -9996] Invalid output device (no default output device)

出力デバイスが見つからない。p.get_device_count() や p.get_device_info_by_index() で確認。

録音時のノイズや遅延

frames_per_buffer の値を小さくすると遅延は減るが、CPU負荷は上がる。

インストール時のビルドエラー（特にWindows）

公式のホイールファイルを利用するか、Visual Studio Build Toolsが必要。

演習問題

以下の課題に挑戦してみましょう。

1. ステレオ録音
   モノラルではなくステレオ（2チャンネル）で3秒間録音し、stereo.wav に保存してください。
2. 音声の正規化
   録音した音声の振幅を最大限に引き上げる正規化処理を実装し、正規化後のWAVを出力してください。
3. リアルタイム音声反響エフェクト
   コールバック方式を使い、入力音声に簡単なエコー（反響）効果をリアルタイムで付加して再生してください。

演習問題の解答例

1. ステレオ録音

import pyaudio
import wave

FORMAT = pyaudio.paInt16
CHANNELS = 2              # ステレオ
RATE = 44100
CHUNK = 1024
RECORD_SECONDS = 3
WAVE_OUTPUT_FILENAME = "stereo.wav"

p = pyaudio.PyAudio()
stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                frames_per_buffer=CHUNK)

frames = []
for _ in range(int(RATE / CHUNK * RECORD_SECONDS)):
    data = stream.read(CHUNK)
    frames.append(data)

stream.stop_stream()
stream.close()
p.terminate()

wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')
wf.setnchannels(CHANNELS)
wf.setsampwidth(p.get_sample_size(FORMAT))
wf.setframerate(RATE)
wf.writeframes(b''.join(frames))
wf.close()

2. 音声の正規化

import wave
import struct

# 読み込み
wf = wave.open('output.wav', 'rb')
frames = wf.readframes(wf.getnframes())
wf.close()

# 16ビットPCMを整数列に変換
samples = struct.unpack('<' + 'h'*(len(frames)//2), frames)
max_amp = max(abs(s) for s in samples)
factor = 32767 / max_amp  # 正規化係数

# 正規化
normalized = [int(s * factor) for s in samples]
normalized_frames = struct.pack('<' + 'h'*len(normalized), *normalized)

# 書き出し
wf = wave.open('normalized.wav', 'wb')
wf.setnchannels(1)
wf.setsampwidth(2)
wf.setframerate(44100)
wf.writeframes(normalized_frames)
wf.close()

3. リアルタイム音声反響エフェクト

import pyaudio
from collections import deque

FORMAT = pyaudio.paInt16
CHANNELS = 1
RATE = 44100
CHUNK = 1024
DELAY_CHUNKS = 5  # 約(1024/RATE)*5 秒の遅延

delay_buffer = deque([b'\x00' * CHUNK * 2] * DELAY_CHUNKS, maxlen=DELAY_CHUNKS)

def callback(in_data, frame_count, time_info, status):
    # 古いデータを取得
    echo_data = delay_buffer[0]
    # 新しいデータをバッファに追加
    delay_buffer.append(in_data)
    # ミックスして返す（音量調整に注意）
    mixed = bytearray(len(in_data))
    for i in range(0, len(in_data), 2):
        orig = struct.unpack_from('<h', in_data, i)[0]
        echo = struct.unpack_from('<h', echo_data, i)[0]
        val = int(orig * 0.8 + echo * 0.2)
        struct.pack_into('<h', mixed, i, max(min(val, 32767), -32768))
    return (bytes(mixed), pyaudio.paContinue)

p = pyaudio.PyAudio()
stream = p.open(format=FORMAT,
                channels=CHANNELS,
                rate=RATE,
                input=True,
                output=True,
                frames_per_buffer=CHUNK,
                stream_callback=callback)

stream.start_stream()
import time; time.sleep(5)
stream.stop_stream()
stream.close()
p.terminate()

以上がPythonのPyAudioライブラリを使った音声処理の入門ガイドです。

基礎から実践までを一通り学習し、演習問題で手を動かして理解を深めてみてください。

音声処理の世界は奥が深く、リアルタイム分析や音声認識、機械学習との組み合わせなど、応用範囲は無限大です。ぜひ次のステップとして、より高度なアルゴリズムやライブラリに挑戦してみましょう！