Розкриваючи звук: Глибоке занурення в Python для аудіосинтезу та цифрової обробки сигналів

Від музики, що транслюється у ваших навушниках, до захоплюючих звукових ландшафтів відеоігор та голосових помічників на наших пристроях, цифровий звук є невід'ємною частиною сучасного життя. Але чи замислювалися ви, як створюються ці звуки? Це не магія; це захоплююче поєднання математики, фізики та комп'ютерних наук, відоме як цифрова обробка сигналів (ЦОС). Сьогодні ми розкриємо завісу та покажемо вам, як використовувати потужність Python для генерації, маніпулювання та синтезу звуку з нуля.

Цей посібник призначений для розробників, фахівців з обробки даних, музикантів, художників та всіх, хто цікавиться перетином коду та творчості. Вам не потрібно бути експертом ЦОС або досвідченим аудіоінженером. Завдяки базовому розумінню Python ви незабаром зможете створювати власні унікальні звукові ландшафти. Ми дослідимо фундаментальні будівельні блоки цифрового аудіо, згенеруємо класичні хвильові форми, сформуємо їх за допомогою огинаючих та фільтрів і навіть побудуємо міні-синтезатор. Давайте розпочнемо нашу подорож у яскравий світ обчислювального аудіо.

Розуміння будівельних блоків цифрового аудіо

Перш ніж ми зможемо написати хоча б один рядок коду, ми повинні зрозуміти, як звук представлений у комп'ютері. У фізичному світі звук є безперервною аналоговою хвилею тиску. Комп'ютери, будучи цифровими, не можуть зберігати безперервну хвилю. Натомість вони роблять тисячі знімків, або семплів, хвилі кожну секунду. Цей процес називається семплюванням.

Частота дискретизації

Частота дискретизації визначає, скільки семплів береться за секунду. Вона вимірюється в Герцах (Гц). Вища частота дискретизації призводить до більш точного представлення оригінальної звукової хвилі, що забезпечує більш високу якість звуку. До поширених частот дискретизації належать:

• 44100 Гц (44.1 кГц): Стандарт для аудіо-CD. Її обрано на основі теореми Найквіста-Шеннона, яка стверджує, що частота дискретизації повинна бути принаймні вдвічі більшою за найвищу частоту, яку ви хочете захопити. Оскільки діапазон людського слуху досягає близько 20 000 Гц, 44.1 кГц забезпечує достатній запас.
• 48000 Гц (48 кГц): Стандарт для професійного відео та цифрових аудіоробочих станцій (DAW).
• 96000 Гц (96 кГц): Використовується у виробництві аудіо високої роздільної здатності для ще більшої точності.

Для наших цілей ми будемо переважно використовувати 44100 Гц, оскільки це забезпечує відмінний баланс між якістю та обчислювальною ефективністю.

Глибина бітів

Якщо частота дискретизації визначає роздільну здатність у часі, то Глибина бітів визначає роздільну здатність в амплітуді (гучності). Кожен семпл — це число, яке представляє амплітуду хвилі в цей конкретний момент. Глибина бітів — це кількість бітів, що використовуються для зберігання цього числа. Більша глибина бітів дозволяє використовувати більше можливих значень амплітуди, що призводить до більшого динамічного діапазону (різниця між найтихішими та найгучнішими можливими звуками) та нижчого рівня шуму.

• 16-біт: Стандарт для CD, що пропонує 65 536 можливих рівнів амплітуди.
• 24-біт: Стандарт для професійного аудіовиробництва, що пропонує понад 16.7 мільйонів рівнів.

Коли ми генеруємо аудіо в Python за допомогою таких бібліотек, як NumPy, ми зазвичай працюємо з числами з плаваючою комою (наприклад, від -1.0 до 1.0) для максимальної точності. Потім вони перетворюються на певну глибину бітів (наприклад, 16-бітні цілі числа) при збереженні у файл або відтворенні через обладнання.

Канали

Це просто стосується кількості аудіопотоків. Моно аудіо має один канал, тоді як Стерео аудіо має два (лівий і правий), створюючи відчуття простору та спрямованості.

Налаштування вашого середовища Python

Щоб розпочати, нам потрібні кілька основних бібліотек Python. Вони утворюють наш інструментарій для чисельних обчислень, обробки сигналів, візуалізації та відтворення аудіо.

Ви можете встановити їх за допомогою pip:

pip install numpy scipy matplotlib sounddevice

Давайте коротко розглянемо їхні ролі:

• NumPy: Наріжний камінь наукових обчислень у Python. Ми будемо використовувати його для створення та маніпулювання масивами чисел, які представлятимуть наші аудіосигнали.
• SciPy: Побудована на NumPy, вона надає величезну колекцію алгоритмів для обробки сигналів, включаючи генерацію та фільтрацію хвильових форм.
• Matplotlib: Основна бібліотека для побудови графіків у Python. Вона є безцінною для візуалізації наших хвильових форм та розуміння ефектів нашої обробки.
• SoundDevice: Зручна бібліотека для відтворення наших масивів NumPy як аудіо через динаміки вашого комп'ютера. Вона надає простий і кросплатформний інтерфейс.

Генерація хвильових форм: Серце синтезу

Всі звуки, незалежно від їх складності, можуть бути розбиті на комбінації простих, фундаментальних хвильових форм. Це основні кольори нашої звукової палітри. Давайте навчимося їх генерувати.

Синусоїдальна хвиля: Найчистіший тон

Синусоїдальна хвиля є абсолютною будівельною одиницею всього звуку. Вона представляє одну частоту без обертонів або гармонік. Вона звучить дуже плавно, чисто і часто описується як "флейтоподібна". Математична формула:

y(t) = Amplitude * sin(2 * π * frequency * t)

Де "t" - час. Давайте переведемо це в код Python.

            
import numpy as np
import sounddevice as sd
import matplotlib.pyplot as plt

# --- Global Parameters ---
SAMPLE_RATE = 44100  # samples per second
DURATION = 3.0       # seconds

# --- Waveform Generation ---
def generate_sine_wave(frequency, duration, sample_rate, amplitude=0.5):
    """Generate a sine wave.

    Args:
        frequency (float): The frequency of the sine wave in Hz.
        duration (float): The duration of the wave in seconds.
        sample_rate (int): The sample rate in Hz.
        amplitude (float): The amplitude of the wave (0.0 to 1.0).

    Returns:
        np.ndarray: The generated sine wave as a NumPy array.
    """
    # Create an array of time points
    t = np.linspace(0, duration, int(sample_rate * duration), False)

    # Generate the sine wave
    # 2 * pi * frequency is the angular frequency
    wave = amplitude * np.sin(2 * np.pi * frequency * t)
    return wave

# --- Example Usage ---
if __name__ == "__main__":
    # Generate a 440 Hz (A4 note) sine wave
    frequency_a4 = 440.0
    sine_wave = generate_sine_wave(frequency_a4, DURATION, SAMPLE_RATE)

    print("Playing 440 Hz sine wave...")
    # Play the sound
    sd.play(sine_wave, SAMPLE_RATE)
    sd.wait() # Wait for the sound to finish playing
    print("Playback finished.")

    # --- Visualization ---
    # Plot a small portion of the wave to see its shape
    plt.figure(figsize=(12, 4))
    plt.plot(sine_wave[:500])
    plt.title("Sine Wave (440 Hz)")
    plt.xlabel("Sample")
    plt.ylabel("Amplitude")
    plt.grid(True)
    plt.show()

            

              
                Copy
              
            
          

У цьому коді np.linspace створює масив, що представляє вісь часу. Потім ми застосовуємо синусоїдальну функцію до цього масиву часу, масштабовану за бажаною частотою. Результатом є масив NumPy, де кожен елемент є семплом нашої звукової хвилі. Потім ми можемо відтворити його за допомогою sounddevice та візуалізувати за допомогою matplotlib.

Дослідження інших фундаментальних хвильових форм

Хоча синусоїдальна хвиля чиста, вона не завжди найцікавіша. Інші базові хвильові форми багаті гармоніками, що надає їм більш складного та яскравого характеру (тембру). Модуль scipy.signal надає зручні функції для їх генерації.

Прямокутна хвиля

Прямокутна хвиля миттєво переходить між своїми максимальними та мінімальними амплітудами. Вона містить лише непарні гармоніки. Вона має яскравий, різкий і дещо "порожній" або "цифровий" звук, часто асоційований з музикою ранніх відеоігор.

            
from scipy import signal

# Generate a square wave
square_wave = 0.5 * signal.square(2 * np.pi * 440 * np.linspace(0, DURATION, int(SAMPLE_RATE * DURATION), False))
# sd.play(square_wave, SAMPLE_RATE)
# sd.wait()

            

              
                Copy
              
            
          

Пилкоподібна хвиля

Пилкоподібна хвиля лінійно наростає, а потім миттєво падає до свого мінімального значення (або навпаки). Вона неймовірно багата, містить усі цілочисельні гармоніки (як парні, так і непарні). Це надає їй дуже яскравого, "дзижчачого" звуку і є фантастичною відправною точкою для субтрактивного синтезу, який ми розглянемо пізніше.

            
# Generate a sawtooth wave
sawtooth_wave = 0.5 * signal.sawtooth(2 * np.pi * 440 * np.linspace(0, DURATION, int(SAMPLE_RATE * DURATION), False))
# sd.play(sawtooth_wave, SAMPLE_RATE)
# sd.wait()

            

              
                Copy
              
            
          

Трикутна хвиля

Трикутна хвиля лінійно наростає та спадає. Як і прямокутна хвиля, вона містить лише непарні гармоніки, але їх амплітуда зменшується набагато швидше. Це надає їй м'якшого та мелодійнішого звуку, ніж прямокутна хвиля, ближче до синусоїдальної хвилі, але з трохи більшою "тілесністю".

            
# Generate a triangle wave (a sawtooth with 0.5 width)
triangle_wave = 0.5 * signal.sawtooth(2 * np.pi * 440 * np.linspace(0, DURATION, int(SAMPLE_RATE * DURATION), False), width=0.5)
# sd.play(triangle_wave, SAMPLE_RATE)
# sd.wait()

            

              
                Copy
              
            
          

Білий шум: Звук випадковості

Білий шум – це сигнал, що містить однакову енергію на кожній частоті. Він звучить як статичний шум або "ш-ш-ш" водоспаду. Він неймовірно корисний у звуковому дизайні для створення ударних звуків (наприклад, хай-хетів та "малих барабанів") та атмосферних ефектів. Генерувати його надзвичайно просто.

            
# Generate white noise
num_samples = int(SAMPLE_RATE * DURATION)
white_noise = np.random.uniform(-1, 1, num_samples)
# sd.play(white_noise, SAMPLE_RATE)
# sd.wait()

            

              
                Copy
              
            
          

Адитивний синтез: Побудова складності

Французький математик Жозеф Фур'є виявив, що будь-яка складна періодична хвильова форма може бути деконструйована на суму простих синусоїдальних хвиль. Це є основою адитивного синтезу. Додаючи синусоїдальні хвилі різних частот (гармонік) та амплітуд, ми можемо конструювати нові, багатші тембри.

Давайте створимо більш складний тон, додавши перші кілька гармонік основної частоти.

            
def generate_complex_tone(fundamental_freq, duration, sample_rate):
    t = np.linspace(0, duration, int(sample_rate * duration), False)
    
    # Start with the fundamental frequency
    tone = 0.5 * np.sin(2 * np.pi * fundamental_freq * t)
    
    # Add harmonics (overtones)
    # 2nd harmonic (octave higher), lower amplitude
    tone += 0.25 * np.sin(2 * np.pi * (2 * fundamental_freq) * t)
    # 3rd harmonic, even lower amplitude
    tone += 0.12 * np.sin(2 * np.pi * (3 * fundamental_freq) * t)
    # 5th harmonic
    tone += 0.08 * np.sin(2 * np.pi * (5 * fundamental_freq) * t)
    
    # Normalize the waveform to be between -1 and 1
    tone = tone / np.max(np.abs(tone))
    return tone

# --- Example Usage ---
complex_tone = generate_complex_tone(220, DURATION, SAMPLE_RATE)
sd.play(complex_tone, SAMPLE_RATE)
sd.wait()

            

              
                Copy
              
            
          

Ретельно вибираючи, які гармоніки додати і з якою амплітудою, ви можете почати імітувати звуки реальних інструментів. Цей простий приклад вже звучить набагато багатше і цікавіше, ніж звичайна синусоїдальна хвиля.

Формування звуку за допомогою огинаючих (ADSR)

Досі наші звуки починалися і закінчувалися раптово. Вони мали постійну гучність протягом усієї своєї тривалості, що звучить дуже неприродно та роботизовано. У реальному світі звуки розвиваються з часом. Нота фортепіано має різкий, гучний початок, який швидко згасає, тоді як нота, зіграна на скрипці, може поступово наростати в гучності. Ми контролюємо цю динамічну еволюцію за допомогою амплітудної огинаючої.

Модель ADSR

Найпоширенішим типом огинаючої є ADSR огинаюча, яка має чотири стадії:

• Attack (Атака): Час, за який звук переходить від тиші до своєї максимальної амплітуди. Швидка атака створює перкусійний, різкий звук (як удар барабана). Повільна атака створює ніжний, наростаючий звук (як струнний "пад").
• Decay (Затухання): Час, за який звук зменшується від максимального рівня атаки до рівня сустейну.
• Sustain (Сустейн): Рівень амплітуди, який звук підтримує, доки тримається нота. Це рівень, а не час.
• Release (Згасання): Час, за який звук згасає від рівня сустейну до тиші після відпускання ноти. Довге згасання змушує звук затримуватися, як нота фортепіано з утримуваною педаллю сустейну.

Реалізація ADSR огинаючої в Python

Ми можемо реалізувати функцію для генерації ADSR огинаючої як масиву NumPy. Потім ми застосовуємо її до нашої хвильової форми за допомогою простого покомпонентного множення.

            
def adsr_envelope(duration, sample_rate, attack_time, decay_time, sustain_level, release_time):
    num_samples = int(duration * sample_rate)
    attack_samples = int(attack_time * sample_rate)
    decay_samples = int(decay_time * sample_rate)
    release_samples = int(release_time * sample_rate)
    sustain_samples = num_samples - attack_samples - decay_samples - release_samples

    if sustain_samples < 0:
        # If times are too long, adjust them proportionally
        total_time = attack_time + decay_time + release_time
        attack_time, decay_time, release_time = \
            attack_time/total_time*duration, decay_time/total_time*duration, release_time/total_time*duration
        attack_samples = int(attack_time * sample_rate)
        decay_samples = int(decay_time * sample_rate)
        release_samples = int(release_time * sample_rate)
        sustain_samples = num_samples - attack_samples - decay_samples - release_samples

    # Generate each part of the envelope
    attack = np.linspace(0, 1, attack_samples)
    decay = np.linspace(1, sustain_level, decay_samples)
    sustain = np.full(sustain_samples, sustain_level)
    release = np.linspace(sustain_level, 0, release_samples)

    return np.concatenate([attack, decay, sustain, release])

# --- Example Usage: Plucky vs. Pad Sound ---

# Pluck sound (fast attack, quick decay, no sustain)
pluck_envelope = adsr_envelope(DURATION, SAMPLE_RATE, 0.01, 0.2, 0.0, 0.5)

# Pad sound (slow attack, long release)
pad_envelope = adsr_envelope(DURATION, SAMPLE_RATE, 0.5, 0.2, 0.7, 1.0)

# Generate a harmonically rich sawtooth wave to apply envelopes to
saw_wave_for_env = generate_complex_tone(220, DURATION, SAMPLE_RATE)

# Apply envelopes
plucky_sound = saw_wave_for_env * pluck_envelope
pad_sound = saw_wave_for_env * pad_envelope

print("Playing plucky sound...")
sd.play(plucky_sound, SAMPLE_RATE)
sd.wait()

print("Playing pad sound...")
sd.play(pad_sound, SAMPLE_RATE)
sd.wait()

# Visualize the envelopes
plt.figure(figsize=(12, 6))
plt.subplot(2, 1, 1)
plt.plot(pluck_envelope)
plt.title("Pluck ADSR Envelope")
plt.subplot(2, 1, 2)
plt.plot(pad_envelope)
plt.title("Pad ADSR Envelope")
plt.tight_layout()
plt.show()

            

              
                Copy
              
            
          

Зверніть увагу, наскільки драматично одна й та сама хвильова форма змінює свій характер просто за рахунок застосування іншої огинаючої. Це фундаментальна техніка у звуковому дизайні.

Вступ до цифрової фільтрації (Субтрактивний синтез)

У той час як адитивний синтез будує звук шляхом додавання синусоїдальних хвиль, субтрактивний синтез працює протилежним чином. Ми починаємо з гармонійно багатого сигналу (як пилкоподібна хвиля або білий шум), а потім відсікаємо або послаблюємо певні частоти за допомогою фільтрів. Це аналогічно скульптору, який починає з блоку мармуру та відсікає зайве, щоб виявити форму.

Основні типи фільтрів

• Фільтр низьких частот (Low-Pass Filter): Це найпоширеніший фільтр у синтезі. Він дозволяє частотам нижче певної "точки відсічення" проходити, одночасно послаблюючи частоти вище неї. Він робить звук темнішим, теплішим або приглушенішим.
• Фільтр високих частот (High-Pass Filter): Протилежність фільтру низьких частот. Він дозволяє частотам вище точки відсічення проходити, видаляючи баси та низькі частоти. Він робить звук тоншим або металевішим.
• Смуговий фільтр (Band-Pass Filter): Дозволяє проходити лише певній смузі частот, відсікаючи як високі, так і низькі частоти. Це може створити ефект "телефону" або "радіо".
• Режекторний фільтр (Band-Stop (Notch) Filter): Протилежність смуговому фільтру. Він видаляє певну смугу частот.

Реалізація фільтрів за допомогою SciPy

Бібліотека scipy.signal надає потужні інструменти для розробки та застосування цифрових фільтрів. Ми використаємо поширений тип, який називається фільтром Баттерворта (Butterworth filter), відомий своєю рівною характеристикою у смузі пропускання.

Процес включає два кроки: по-перше, розробка фільтра для отримання його коефіцієнтів, і по-друге, застосування цих коефіцієнтів до нашого аудіосигналу.

            
from scipy.signal import butter, lfilter, freqz

def butter_lowpass_filter(data, cutoff, fs, order=5):
    """Apply a low-pass Butterworth filter to a signal."""
    nyquist = 0.5 * fs
    normal_cutoff = cutoff / nyquist
    # Get the filter coefficients 
    b, a = butter(order, normal_cutoff, btype='low', analog=False)
    y = lfilter(b, a, data)
    return y

# --- Example Usage ---
# Start with a rich signal: sawtooth wave
saw_wave_rich = 0.5 * signal.sawtooth(2 * np.pi * 220 * np.linspace(0, DURATION, int(SAMPLE_RATE * DURATION), False))

print("Playing original sawtooth wave...")
sd.play(saw_wave_rich, SAMPLE_RATE)
sd.wait()

# Apply a low-pass filter with a cutoff of 800 Hz
filtered_saw = butter_lowpass_filter(saw_wave_rich, cutoff=800, fs=SAMPLE_RATE, order=6)

print("Playing filtered sawtooth wave...")
sd.play(filtered_saw, SAMPLE_RATE)
sd.wait()

# --- Visualization of the filter's frequency response ---
cutoff_freq = 800
order = 6
b, a = butter(order, cutoff_freq / (0.5 * SAMPLE_RATE), btype='low')
w, h = freqz(b, a, worN=8000)

plt.figure(figsize=(10, 5))
plt.plot(0.5 * SAMPLE_RATE * w / np.pi, np.abs(h), 'b')
plt.plot(cutoff_freq, 0.5 * np.sqrt(2), 'ko')
plt.axvline(cutoff_freq, color='k', linestyle='--')
plt.xlim(0, 5000)
plt.title("Low-pass Filter Frequency Response")
plt.xlabel('Frequency [Hz]')
plt.grid()
plt.show()

            

              
                Copy
              
            
          

Послухайте різницю між оригінальною та відфільтрованою хвилями. Оригінальна яскрава та дзижчача; відфільтрована версія набагато м'якша та темніша, оскільки високочастотні гармоніки були видалені. Проведення зміни частоти відсічення фільтра низьких частот є однією з найвиразніших і найпоширеніших технік в електронній музиці.

Модуляція: Додавання руху та життя

Статичні звуки нудні. Модуляція є ключем до створення динамічних, розвиваючих та цікавих звуків. Принцип простий: використовувати один сигнал (модулятор) для керування параметром іншого сигналу (носія). Поширеним модулятором є низькочастотний осцилятор (LFO), який є просто осцилятором з частотою нижче діапазону людського слуху (наприклад, від 0.1 Гц до 20 Гц).

Амплітудна модуляція (AM) та Тремоло

Це відбувається, коли ми використовуємо LFO для керування амплітудою нашого звуку. Результатом є ритмічна пульсація гучності, відома як тремоло.

            
# Carrier wave (the sound we hear)
carrier_freq = 300
carrier = generate_sine_wave(carrier_freq, DURATION, SAMPLE_RATE)

# Modulator LFO (controls the volume)
lfo_freq = 5 # 5 Hz LFO
modulator = generate_sine_wave(lfo_freq, DURATION, SAMPLE_RATE, amplitude=1.0)

# Create tremolo effect
# We scale the modulator to be from 0 to 1
tremolo_modulator = (modulator + 1) / 2

tremolo_sound = carrier * tremolo_modulator

print("Playing tremolo effect...")
sd.play(tremolo_sound, SAMPLE_RATE)
sd.wait()

            

              
                Copy
              
            
          

Частотна модуляція (FM) та Вібрато

Це відбувається, коли ми використовуємо LFO для керування частотою нашого звуку. Повільна, тонка модуляція частоти створює вібрато, ніжне коливання висоти тону, яке співаки та скрипалі використовують для додавання виразності.

            
# Create vibrato effect
t = np.linspace(0, DURATION, int(SAMPLE_RATE * DURATION), False)

carrier_freq = 300
lfo_freq = 7
modulation_depth = 10 # How much the frequency will vary

# The LFO will be added to the carrier frequency
modulator_vibrato = modulation_depth * np.sin(2 * np.pi * lfo_freq * t)

# The instantaneous frequency changes over time
instantaneous_freq = carrier_freq + modulator_vibrato

# We need to integrate the frequency to get the phase
phase = np.cumsum(2 * np.pi * instantaneous_freq / SAMPLE_RATE)

vibrato_sound = 0.5 * np.sin(phase)

print("Playing vibrato effect...")
sd.play(vibrato_sound, SAMPLE_RATE)
sd.wait()

            

              
                Copy
              
            
          

Це спрощена версія FM-синтезу. Коли частота LFO збільшується до чутного діапазону, вона створює складні бічні смуги частот, що призводить до насичених, дзвоноподібних і металевих тонів. Це основа культового звуку синтезаторів, таких як Yamaha DX7.

Збираємо все разом: Проект міні-синтезатора

Давайте об'єднаємо все, що ми вивчили, в простий, функціональний клас синтезатора. Це інкапсулює наш осцилятор, огинаючу та фільтр в єдиний, багаторазово використовуваний об'єкт.

            
class MiniSynth:
    def __init__(self, sample_rate=44100):
        self.sample_rate = sample_rate

    def generate_note(self, frequency, duration, waveform='sine', 
                      adsr_params=(0.05, 0.2, 0.5, 0.3), 
                      filter_params=None):
        """Generate a single synthesized note."""
        num_samples = int(duration * self.sample_rate)
        t = np.linspace(0, duration, num_samples, False)

        # 1. Oscillator
        if waveform == 'sine':
            wave = np.sin(2 * np.pi * frequency * t)
        elif waveform == 'square':
            wave = signal.square(2 * np.pi * frequency * t)
        elif waveform == 'sawtooth':
            wave = signal.sawtooth(2 * np.pi * frequency * t)
        elif waveform == 'triangle':
            wave = signal.sawtooth(2 * np.pi * frequency * t, width=0.5)
        else:
            raise ValueError("Unsupported waveform")

        # 2. Envelope
        attack, decay, sustain, release = adsr_params
        envelope = adsr_envelope(duration, self.sample_rate, attack, decay, sustain, release)
        # Ensure envelope and wave are the same length
        min_len = min(len(wave), len(envelope))
        wave = wave[:min_len] * envelope[:min_len]

        # 3. Filter (optional)
        if filter_params:
            cutoff = filter_params.get('cutoff', 1000)
            order = filter_params.get('order', 5)
            filter_type = filter_params.get('type', 'low')
            
            if filter_type == 'low':
                wave = butter_lowpass_filter(wave, cutoff, self.sample_rate, order)
            # ... could add high-pass etc. here

        # Normalize to 0.5 amplitude
        return wave * 0.5

# --- Example Usage of the Synth ---

synth = MiniSynth()

# A bright, plucky bass sound
bass_note = synth.generate_note(
    frequency=110, # A2 note
    duration=1.5,
    waveform='sawtooth',
    adsr_params=(0.01, 0.3, 0.0, 0.2),
    filter_params={'cutoff': 600, 'order': 6}
)

print("Playing synth bass note...")
sd.play(bass_note, SAMPLE_RATE)
sd.wait()

# A soft, atmospheric pad sound
pad_note = synth.generate_note(
    frequency=440, # A4 note
    duration=5.0,
    waveform='triangle',
    adsr_params=(1.0, 0.5, 0.7, 1.5)
)

print("Playing synth pad note...")
sd.play(pad_note, SAMPLE_RATE)
sd.wait()

# A simple melody
melody = [
    ('C4', 261.63, 0.4),
    ('D4', 293.66, 0.4),
    ('E4', 329.63, 0.4),
    ('C4', 261.63, 0.8)
]

final_melody = []
for note, freq, dur in melody:
    sound = synth.generate_note(freq, dur, 'square', adsr_params=(0.01, 0.1, 0.2, 0.1), filter_params={'cutoff': 1500})
    final_melody.append(sound)

full_melody_wave = np.concatenate(final_melody)

print("Playing a short melody...")
sd.play(full_melody_wave, SAMPLE_RATE)
sd.wait()


            

              
                Copy
              
            
          

Цей простий клас є потужною демонстрацією принципів, які ми розглянули. Я закликаю вас експериментувати з ним. Спробуйте різні хвильові форми, налаштуйте параметри ADSR та змініть частоту відсічення фільтра, щоб побачити, наскільки радикально ви можете змінити звук.

За межами основ: Куди рухатися далі?

Ми лише торкнулися поверхні глибокої та цікавої галузі аудіосинтезу та ЦОС. Якщо це зацікавило вас, ось кілька розширених тем для дослідження:

• Wavetable Synthesis (Хвильовий табличний синтез): Замість використання математично ідеальних форм, ця техніка використовує попередньо записані, одноциклові хвильові форми як джерело осцилятора, дозволяючи створювати неймовірно складні та розвиваючі тембри.
• Granular Synthesis (Гранулярний синтез): Створює нові звуки шляхом деконструкції існуючого аудіосемпла на крихітні фрагменти (зерна), а потім їх перегрупування, розтягування та зміни висоти тону. Це фантастично підходить для створення атмосферних текстур та "падів".
• Physical Modeling Synthesis (Синтез фізичного моделювання): Захоплюючий підхід, який намагається створити звук шляхом математичного моделювання фізичних властивостей інструменту — струни гітари, трубки кларнета, мембрани барабана.
• Real-time Audio Processing (Обробка аудіо в реальному часі): Бібліотеки, такі як PyAudio та SoundCard, дозволяють працювати з аудіопотоками з мікрофонів або інших входів у реальному часі, відкриваючи двері для живих ефектів, інтерактивних інсталяцій та багато іншого.
• Machine Learning in Audio (Машинне навчання в аудіо): Штучний інтелект та глибоке навчання революціонізують аудіо. Моделі можуть генерувати нову музику, синтезувати реалістичну людську мову або навіть відокремлювати окремі інструменти від зведеної пісні.

Висновок

Ми подорожували від фундаментальної природи цифрового звуку до побудови функціонального синтезатора. Ми дізналися, як генерувати чисті та складні хвильові форми за допомогою Python, NumPy та SciPy. Ми виявили, як надати нашим звукам життя та форми за допомогою ADSR огинаючих, сформувати їхній характер за допомогою цифрових фільтрів та додати динамічний рух за допомогою модуляції. Код, який ми написали, це не просто технічна вправа; це творчий інструмент.

Потужний науковий стек Python робить його видатною платформою для навчання, експериментів та створення у світі аудіо. Незалежно від того, чи ваша мета — створити власний звуковий ефект для проекту, побудувати музичний інструмент або просто зрозуміти технологію, що стоїть за звуками, які ви чуєте щодня, принципи, які ви вивчили тут, є вашою відправною точкою. Тепер ваша черга експериментувати. Почніть поєднувати ці техніки, спробуйте нові параметри та уважно слухайте результати. Величезний всесвіт звуку тепер у вас під рукою — що ви створите?