Python用sounddevice搞定左右声道播放与录音分离

做音频和声音相关的开发，我最常被问到的问题就是：我想只放左声道的声音，或者把录音里的右声道单独提出来，该怎么处理？其实在 Python 里用sounddevice这个库就能很干净地解决。它是 PortAudio 的 Python 封装，安装简单、跨平台、API 直白，特别适合做声道层面的播放、录音和实时处理。这篇就专门拆一下左声道、右声道、立体声这三种情况在 sounddevice 里到底怎么处理，顺便把播放和录音两条线都串起来。

这套东西适合谁？做音视频工具、声学测试、嵌入式音频调试、语音算法验证，或者刚入门 Python 音频处理的人，都能直接用。看完你至少能搞清楚三件事：数据在内存里怎么按声道排列、播放时怎么控制左右输出、录音时怎么把立体声的两路分开存。

1. 为什么选 sounddevice 来做声道控制

1.1 sounddevice 是什么、能解决什么问题

sounddevice 说白了就是 PortAudio 的 Python 绑定。PortAudio 是跨平台的底层音频库，Windows、macOS、Linux 都能跑，屏蔽了各系统音频 API 的差异。你在 Windows 上写一套代码，换到 Linux 或者 macOS 上基本不用改，这对做音频工具的人来说非常省心。

它能解决的核心问题有三个：

• 播放：把一个 numpy 数组直接丢给声卡，支持指定采样率、通道数、设备。
• 录音：从麦克风或任何输入设备录一段数据到内存，同样支持通道和设备选择。
• 全双工流式处理：边录边放，通过回调函数实时处理音频数据，比如做实时变声、回声消除、电平表。

对比另外几个常见方案：wave模块只负责文件读写，不管播放；pyaudio功能全但 API 偏底层，写起来啰嗦；soundfile只处理文件不处理设备。sounddevice 之所以适合做声道控制，是因为它把音频数据当作 numpy 数组直接暴露给你，左声道就是数组的第 0 列，右声道就是第 1 列，想拆想合并都非常直观。

1.2 安装与最小运行环境验证

安装只需要两个包：

pip install sounddevice numpy

如果你还要把录音存成 wav 文件，建议顺手装soundfile，读写文件比手写 wav 头方便太多：

pip install soundfile

装完之后先跑一段最小验证，确认库和声卡都正常工作：

import sounddevice as sd import numpy as np sr = 44100 t = np.linspace(0, 1, sr) # 生成 440Hz 正弦波 tone = 0.5 * np.sin(2 * np.pi * 440 * t).astype(np.float32) # 播放到默认输出设备 sd.play(tone, samplerate=sr) sd.wait()

这段代码如果正常出声，说明 sounddevice 已经能访问你的声卡。如果报PortAudio library not found，通常是系统缺少 PortAudio 运行时，macOS 执行brew install portaudio，Linux 执行apt install libportaudio2 portaudio19-dev，Windows 一般不会缺。

注意：sd.play返回后音频是在后台播放的，一定要调用sd.wait()或者sd.stop()来管理播放状态，否则程序退出时可能直接把声音掐掉，甚至报错。

2. 声道模型：先搞懂左右声道在数据里是怎么排列的

2.1 采样帧、声道数与 interleaved 存储

处理左右声道之前，必须先把 sounddevice 的数据组织方式搞清楚。你传给 sounddevice 的音频数据是一个 numpy 数组，常见的规则是：

• 单声道：数组 shape 是(N,)或者(N, 1)，N 是采样点数量。
• 双声道立体声：数组 shape 是(N, 2)，也就是两列，第 0 列是左声道，第 1 列是右声道。

这种排列方式叫 interleaved（交织）存储，每一行是一个“采样帧”，一帧里同时包含左右两个声道的采样值。举个例子，audio[100]是第 100 个采样帧，audio[100, 0]是这一帧的左声道值，audio[100, 1]是这一帧的右声道值。

理解这个模型非常重要，因为后面所有声道操作本质上都是 numpy 数组操作。你想把左右声道互换，直接audio[:, ::-1]就行；你想只取左声道，取第 0 列；你想把单声道铺成立体声，用np.column_stack复制一列。

2.2 设备通道与 mapping 参数

sounddevice 里有两个容易混淆的概念：数据通道和设备通道。

数据通道指的是你传入数据的列数，比如 shape 为(N, 2)就有两个数据通道。设备通道指的是声卡硬件上的物理输入/输出通道。大多数消费级声卡输出是两个通道（左+右），输入也可能有两个通道（比如立体声麦克风接口）。

sounddevice 里mapping参数负责把数据通道映射到设备通道，这里有一个大坑：mapping 是 1-based 的，不是 0-based。也就是说，设备第 1 个通道对应左声道，设备第 2 个通道对应右声道。这个设计继承自 PortAudio 的传统，但在 Python 语境下很容易踩坑。

# 播放单声道数据到设备第 1 通道（通常就是左声道） sd.play(mono_data, samplerate=sr, mapping=[1]) # 播放单声道数据到设备第 2 通道（右声道） sd.play(mono_data, samplerate=sr, mapping=[2]) # 立体声数据，默认映射到左右两个通道 sd.play(stereo_data, samplerate=sr, mapping=[1, 2])

先用sd.query_devices()看一眼当前设备的信息：

import sounddevice as sd print(sd.query_devices())

输出里会显示每个设备的max_input_channels、max_output_channels、default_samplerate。你请求的通道数绝对不能超过这些值，否则 sounddevice 会报Invalid number of channels。

3. 播放：只放左声道、只放右声道、还是立体声

3.1 最基本的立体声播放

假设有一个立体声 wav 文件，先读进来再播放：

import soundfile as sf import sounddevice as sd data, sr = sf.read("stereo.wav", dtype="float32", always_2d=True) print("数据 shape:", data.shape) # 应该是 (采样点数, 2) sd.play(data, samplerate=sr) sd.wait()

sf.read加always_2d=True是为了保证即使读取的是单声道文件，返回的 shape 也是(N, 1)，避免后续处理时维度不一致。这里 sounddevice 会默认把第 0 列送到设备左声道，第 1 列送到设备右声道。

如果你想确认声音确实分左右了，可以生成一段左声道有声音、右声道静音的数据来验证：

import numpy as np import sounddevice as sd sr = 44100 t = np.linspace(0, 1, sr) left_tone = 0.5 * np.sin(2 * np.pi * 440 * t).astype(np.float32) right_tone = 0.5 * np.sin(2 * np.pi * 880 * t).astype(np.float32) stereo = np.column_stack((left_tone, right_tone)) sd.play(stereo, samplerate=sr) sd.wait()

这段播放时，左耳应该听到 440Hz，右耳听到 880Hz。如果方向反了，说明你的设备通道顺序和预期不一致。

3.2 只放左声道内容到左声道

很多时候你并不需要真的播放立体声，而是只想听某一轨的声音。比如拿到一段立体声素材，你怀疑左声道有杂音或者左声道才是主旋律，想单独听一下。

这里有两种理解，要区分清楚：

• 只把“左声道的数据”放到“左声道设备输出”，也就是左耳机发声，右耳机完全静音。
• 只把“左声道的数据”同时放到左右两个设备输出，也就是左右耳机都能听到同一份声音。

第一种情况，用提取列加mapping实现：

left_data = data[:, 0] # 取出左声道，变成一维数组 sd.play(left_data, samplerate=sr, mapping=[1]) sd.wait()

需要特别说明的是：当传入一维数组时，sounddevice 视其为单声道数据，默认只输出到设备的第 1 通道（左声道）。如果你不传mapping，可能只有左耳机响，这恰好就是“只放左声道”的效果。为了明确表达意图，我建议还是显式写上mapping=[1]。

3.3 只放右声道内容，以及左右互换

同理，只放右声道：

right_data = data[:, 1] sd.play(right_data, samplerate=sr, mapping=[2]) sd.wait()

这里容易出问题的是：很多声卡设备第 2 个输出通道并不一定是右声道，有些声卡的驱动会做通道重映射。如果播放后发现声音从左边出来了，多半是设备通道顺序定义不同，可以去操作系统声音设置里查看一下默认设备的通道布局。

左右互换也是一个很常见的需求，尤其是你想验证一段立体声素材在左右方向接反时是什么效果：

swapped = data[:, ::-1] # 两列交换 sd.play(swapped, samplerate=sr) sd.wait()

data[:, ::-1]会生成一个新的数组，把原来的第 0 列放到第 1 列，第 1 列放到第 0 列，相当于左右对调。这个方法在处理录音素材时经常用到。

3.4 把单声道内容同时送到左右两边

前面说过，一维单声道数据默认只走设备第 1 通道，很多新手会奇怪：为什么麦克风录出来的单声道声音，只有一边响？因为单声道内容默认只映射到左声道。

解决方式是把单声道复制成两列，做成“双声道里左右内容相同”的数据。

mono = data[:, 0] # 或者任何一维音频数据 stereo_mono = np.column_stack((mono, mono)) sd.play(stereo_mono, samplerate=sr) sd.wait()

这种操作在处理语音时非常常见，比如把电话录音的单声道内容，转成立体声后配合视频一起播放，如果不复制，另一边就是静音的。

3.5 左右音量平衡（pan）的实时调整

最后讲一个稍微高级点的玩法：动态调整左右声道的音量比例，也就是 pan（声像）控制。

线性 pan 实现最简单，但有个问题：当声音居中（pan=0.5）时，左右各衰减到 50%，听感上音量会变小。更推荐用等功率 pan，它保证在整个移动过程中声音响度感觉基本一致：

import numpy as np import sounddevice as sd def apply_pan(stereo_data, pan): """ 等功率 pan pan = 0 => 完全左声道 pan = 1 => 完全右声道 pan = 0.5 => 中间 """ angle = (1 - pan) * np.pi / 4 left_gain = np.sqrt(2) * np.cos(angle) right_gain = np.sqrt(2) * np.sin(angle) out = np.empty_like(stereo_data) out[:, 0] = stereo_data[:, 0] * left_gain out[:, 1] = stereo_data[:, 1] * right_gain return out.astype(np.float32) data, sr = sf.read("stereo.wav", dtype="float32", always_2d=True) sd.play(apply_pan(data, 0.2), samplerate=sr) sd.wait()

这里left_gain和right_gain的平方和恒为 2，所以声音居中时每个声道是 1（归一化后），响度和原来一致。如果你只是简单粗暴地用(1-pan)和pan做线性衰减，中间位置总增益会掉到 0.5，听起来声音突然小了。

4. 录音：如何录出立体声并分离左右声道

4.1 录制一段立体声到内存

录音和播放是对称的。用sd.rec录一段立体声：

import sounddevice as sd import numpy as np sr = 44100 duration = 3.0 recording = sd.rec( int(duration * sr), samplerate=sr, channels=2, dtype="float32", ) sd.wait() # 等待录音完成 print("录音 shape:", recording.shape) # (132300, 2)

sd.rec的第一个参数是帧数，int(duration * sr)算出总帧数。channels=2表示要录两个输入通道，录音完成后返回的数组 shape 就是(帧数, 2)，同样第 0 列是设备第 1 输入通道，第 1 列是设备第 2 输入通道。

录完的音想要保存成 wav 文件，用 soundfile 一行搞定：

import soundfile as sf sf.write("recorded_stereo.wav", recording, sr, subtype="PCM_16")

录音前强烈建议先检查一下输入设备：

print(sd.query_devices(sd.default.device[0]))

确认max_input_channels至少是 2，不然channels=2会报错。

4.2 从录音里单独提取左/右声道

录音拿到手之后，分离声道就是纯 numpy 操作：

left_channel = recording[:, 0] right_channel = recording[:, 1]

这两个都是一维数组，代表各自声道的声音波形。你可以分别保存成两个单声道 wav，也可以分别做分析。

一个常用的组合操作：把立体声录音中的左声道单独保存成单声道文件，并继续做后续处理：

sf.write("left_only.wav", left_channel, sr, subtype="PCM_16") sf.write("right_only.wav", right_channel, sr, subtype="PCM_16")

这里有个细节值得注意：当你保存一维数组时，soundfile 默认把它当作单声道写进文件，所以生成的 wav 是单声道文件，播放时如果只有一边响，可以参考 3.4 节的方式处理。

4.3 只录制设备上的指定输入通道

如果声卡有两个输入通道，但你的麦克风只接在第 2 个通道上，直接用channels=2录出来的第 0 列可能是空的。这时候就要用mapping来指定录取哪个物理输入通道。

# 只录设备第 2 输入通道 only_right = sd.rec( int(duration * sr), samplerate=sr, channels=1, mapping=[2], dtype="float32", ) sd.wait()

注意这里channels=1表示最终只要求一个数据通道，mapping=[2]表示从设备第 2 个输入通道取数据。如果你写成channels=2, mapping=[2]会报错，因为映射个数和数据通道数要一致。

这个技巧在调试多路音频采集时特别有用。比如你有一个 USB 声卡带两个输入口，想知道哪个口对应设备通道几，就可以分别用mapping=[1]和mapping=[2]录一段，看看哪段有声音。

提示：录音的时候dtype建议统一用"float32"，这是 PortAudio 内部最通用的格式，动态范围大，做后续算法的精度也够。只有在最后保存文件时才考虑转成int16来减小文件体积。

5. 全双工：边播放边录音的流式处理

5.1 为什么用 Stream 而不是 play + rec

前面讲的所有例子都是“一次性”的：先录完，再处理，再播放。但很多真实场景需要同时进行录音和播放，比如实时变声、实时混音、实时音量表。这时候要用sd.Stream或者更具体的sd.InputStream、sd.OutputStream。

sd.Stream的核心是一个回调函数，系统每采集到一个音频块（block）就调用一次，你在回调里拿到输入数据，加工后写入输出缓冲区。这种模式的好处是延迟低、实时性强，坏处是回调里绝对不能做耗时操作，否则会出现卡顿和爆音。

再说直白一点：sd.rec是录完再给你数据，sd.play是把已有数据放完就结束。而Stream是系统不断往你手上塞输入数据，同时不断问你要输出数据，中间你可以对数据做任意修改。

5.2 一个可运行的全双工示例

下面是一个最简单的“监听直通”示例，把麦克风输入直接送到耳机/音箱输出：

import sounddevice as sd import numpy as np sr = 44100 blocksize = 512 def callback(indata, outdata, frames, time, status): if status: print("状态变化:", status) # indata shape 是 (blocksize, 2)，outdata 也是 # 直接把输入复制到输出，实现实时监听 outdata[:] = indata with sd.Stream( samplerate=sr, blocksize=blocksize, channels=2, dtype="float32", callback=callback, ): print("开始实时监听，按 Enter 停止...") input()

这段代码跑起来之后，你对着麦克风说话，能从耳机里听到自己的声音，这就是最简单的“边录边放”。

稍微加工一下，做个实时电平表：

def callback(indata, outdata, frames, time, status): if status: print("状态变化:", status) rms = np.sqrt(np.mean(indata ** 2)) print(f"当前电平 RMS: {rms:.5f}") outdata[:] = indata

如果你想在这个基础上做左右声道分开处理，回调里照样是按列操作。比如把输入左声道处理一下再输出到左右两侧：

def callback(indata, outdata, frames, time, status): left = indata[:, 0] delay = np.roll(left, 10) # 制造一个简单回声 outdata[:, 0] = left outdata[:, 1] = left * 0.5 + delay * 0.5

np.roll会把数组整体向后位移，前 10 个采样点会绕到尾部，这只是演示用。实际做回声效果需要用环形缓冲区或者更精确的延迟处理，这里不展开。

全双工模式下blocksize是一个关键参数。它决定了每次回调处理的音频块大小，直接影响延迟和 CPU 占用。blocksize=512在 44100Hz 采样率下对应大约 11.6ms 的延迟，语音交互基本感受不到；如果你需要更低延迟，可以试256，但如果机器性能不够，反而会因为丢帧产生爆音。

6. 常见问题与排查技巧实录

6.1 问题速查表

列一下我在实际项目里最常碰到的几个问题，以及对应的排查思路：

6.2 几个亲测有效的避坑技巧

第一个经验是：所有音频数据先统一成 float32，处理完再决定要不要转格式。sounddevice 的play和rec都支持int16，但一旦涉及多个数据段拼接、音量调整、声道复制，float32 的精度优势就体现出来了。尤其是做声道混合和增益调整时，int16 很容易因为数值截断产生本底噪声。

第二个经验是：多声道操作前一定要先打印 shape 确认维度。我见过太多人把 shape 是(N, 2)和(2, N)搞混，导致data[:, 0]取出来的根本不是左声道而是第一个帧。最稳妥的方式是拿到数据先打印data.shape，心里有数再动手。

第三个经验是：写播放逻辑时优先用blocking=True做验证。sd.play(data, sr, blocking=True)等价于不带blocking=True再加sd.wait()，在调试阶段可以避免“程序跑完了声音才响一半”的诡异情况。等逻辑稳定了，再改成非阻塞模式做并发处理。

第四个经验是关于退出程序的。如果用了后台播放，程序退出前一定要调用sd.stop()，否则在 Windows 上偶尔会留下音频设备被占用的假象，导致下一次运行时报设备错误。

最后再分享一个我自己一直在用的小习惯：把声道相关的操作封装成几个语义明确的函数，比如play_left_channel(data, sr)、play_right_channel(data, sr)、record_stereo(duration, sr)。这样做的原因很简单，声道操作逻辑本身不复杂，但很容易在写长代码的时候被带偏，封装一层之后，调用处读起来就像自然语言一样清晰，排查问题也快很多。实际做项目时，这个习惯帮我省了不少回头看的功夫。