今年公司开始转型AI产品，涉及到人工智能大模型，产品目前分别接入字节跳动的豆包大模型及科大讯飞的星火大模型，由于产品都涉及语音交互，这半年以来对音频略有熟悉，熟悉了PCM音频后又接触到了opus音频，其中星火大模型opus音频有一些特殊，它是opus音频流，没有ogg封装，而目前PC的播放器似乎没有支持播放纯opus音频流的，在未找到合适的播放器之后准备自己实现了。

判断opus音频有没有ogg封装很简单，将音频文件以十六进制显示即可，前4字节为0x4F、0x67、0x67、0x53，对应ASCII为Oggs，如果想深入了解opus编码可以查看Opus音频编码格式。

目前常用的opus播放方案都是基于libopus+python3，所以我基于此方案开始搭建环境。

首先安装python库：

1
2
pip install pyaudio
pip install opuslib

其中opuslib还需要单独安装依赖库libopus，官方库提供了Linux/Mac的编译方法但没有Windows版的，但好在有开发者提供了Windows的编译方案及库，直接去Github 下载即可，虽然版本落后于官方版本，但不妨碍我们使用，这里我以Windows 11为例，下载编译好的库libopus_v1.4_msvc17.zip，解压后将bin\x64\opus.dll文件添加到环境变量即可。

这里我再简单介绍一下讯飞opus的编码，方便理解代码。

讯飞支持opus、opus-wb两种编码，这两种格式每一帧均为2字节长度+压缩音频数据，其中opus采样率为8000kpbs，每帧长度为2+20；opus-wb采用率为16000kpbs，每帧长度为2+40。

这里以opus-wb举例，帧长度为40(十六进制为0x28)，后续为压缩的音频数据。以下为一帧示例：

00 28 4B 41 11 0B E4 4A 30 B1 5A 56 CA C5 70 CB 18 C3 05 8A 81 84 2E D2 20 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00 00

好了，到这里我们就可以写代码了，我们每次读取一帧(42字节)，将长度去掉后再解码，解码结果为PCM数据，所以我们最终播放的是PCM数据，完整代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import opuslib
import pyaudio

with open('test.opus-wb', 'rb') as opus_file:
    decoder = opuslib.Decoder(16000, 1)
	
pa = pyaudio.PyAudio()

pcm_stream = pa.open(
    format=pyaudio.paInt16,
    channels=1,
    rate=16000,
    output=True
)

while True:
    encoded_data = opus_file.read(42)
    if not encoded_data:
        break

    pcm_data = decoder.decode(encoded_data[2:], 10000)
    pcm_stream.write(pcm_data)