struct.error: argument for 's' must be a bytes object

Question

人工知能に関する断創録を参考にボイスチェンジャーを作ろうとしているのですが、エラーが発生してしまい、動いてくれません。。

実装環境
python 3.6.5

# coding: utf-8
import pyaudio
import struct
import subprocess

# SPTKを使った簡単なボイスチェンジャー

CHANNELS = 1
RATE = 16000
CHUNK = 1024


def record(raw_file, record_seconds=5):
    """音声ファイルを録音する
    録音時間は固定。キーボードを押すとループ終わりができなかった・・・"""
    fp = open(raw_file, "wb")
    for _ in range(0, int(RATE / CHUNK * record_seconds)):
        data = stream.read(CHUNK) # ストリームへの書き込み(バイナリ)
        fp.write(struct.pack('s' * CHUNK * 2, *data))
    fp.close()
    stream.stop_stream()
    stream.close()
    p.terminate()


def extract_pitch(raw_file, pitch_file):
    """ピッチパラメータの抽出"""
    cmd = "x2x +sf %s | pitch -a 1 -s 16 -p 80 > %s" % (raw_file, pitch_file)
    subprocess.call(cmd, shell=True)


def extract_mcep(raw_file, mcep_file):
    """メルケプストラムパラメータの抽出"""
    cmd = "x2x +sf %s | frame -p 80 | window | mcep -m 25 -a 0.42 > %s" % (raw_file, mcep_file)
    subprocess.call(cmd, shell=True)


def modify_pitch(m, pitch_file, mcep_file, raw_file):
    """ピッチを変形して再合成
    mが1より大きい => 低い声
    mが1より小さい => 高い声"""
    cmd = "sopr -m %f %s | excite -p 80 | mlsadf -m 25 -a 0.42 -p 80 %s | clip -y -32000 32000 | x2x +fs > %s" % (
    m, pitch_file, mcep_file, raw_file)
    subprocess.call(cmd, shell=True)


def modify_speed(frame_shift, pitch_file, mcep_file, raw_file):
    """話速を変形して再合成
    frame_shiftが小さい => 早口
    frame_shiftが大きい => ゆっくり"""
    cmd = "excite -p %f %s | mlsadf -m 25 -a 0.42 -p %f %s | clip -y -32000 32000 | x2x +fs > %s" % (
    frame_shift, pitch_file, frame_shift, mcep_file, raw_file)
    subprocess.call(cmd, shell=True)


def hoarse_voice(pitch_file, mcep_file, raw_file):
    """ささやき声"""
    modify_pitch(0, pitch_file, mcep_file, raw_file)


def robot_voice(frame_period, record_seconds, mcep_file, raw_file):
    """ロボット声
    frame_periodが小さい => 低い
    frame_periodが大きい => 高い"""
    sequence_length = record_seconds * RATE * frame_period
    cmd = "train -p %d -l %d | mlsadf -m 25 -a 0.42 -p 80 %s | clip -y -32000 32000 | x2x +fs > %s" % (
    frame_period, sequence_length, mcep_file, raw_file)
    subprocess.call(cmd, shell=True)


def child_voice(pitch_file, mcep_file, raw_file):
    """子供声"""
    cmd = "sopr -m 0.4 %s | excite -p 80 | mlsadf -m 25 -a 0.1 -p 80 %s | clip -y -32000 32000 | x2x +fs > %s" % (
    pitch_file, mcep_file, raw_file)
    subprocess.call(cmd, shell=True)


def deep_voice(pitch_file, mcep_file, raw_file):
    """太い声"""
    cmd = "sopr -m 2.0 %s | excite -p 80 | mlsadf -m 25 -a 0.6 -p 80 %s | clip -y -32000 32000 | x2x +fs > %s" % (
    pitch_file, mcep_file, raw_file)
    subprocess.call(cmd, shell=True)


def raw2wav(raw_file, wav_file):
    cmd = "sox -e signed-integer -c %d -b 16 -r %d %s %s" % (CHANNELS, RATE, raw_file, wav_file)
    subprocess.call(cmd, shell=True)


def play(raw_file):
    """rawファイルを再生"""
    p = pyaudio.PyAudio()
    stream = p.open(format=p.get_format_from_width(2), channels=CHANNELS, rate=RATE, output=True)
    f = open(raw_file, "rb")
    data = f.read(CHUNK)
    while data != '':
        stream.write(data)
        data = f.read(CHUNK)
    stream.stop_stream()
    stream.close()
    p.terminate()


if __name__ == "__main__":
    # 録音時間（固定）
    record_seconds = 10

    p = pyaudio.PyAudio()
    stream = p.open(format=pyaudio.paInt16,
                    channels=CHANNELS,
                    rate=RATE,
                    input=True,
                    frames_per_buffer=CHUNK)

    pitch_file = "temp.pitch"
    mcep_file = "temp.mcep"
    raw_file = "temp.raw"
    output_file = "output.raw"

    # オリジナルの音声を録音してrawファイルとして書き出し
    print("*** Now recording ... (%d sec)" % record_seconds)
    record(raw_file, record_seconds)

    # パラメータ抽出
    print("*** extract pitch ...")
    extract_pitch(raw_file, pitch_file)

    print("*** extract mel cepstrum")
    extract_mcep(raw_file, mcep_file)

    # パラメータ変形いろいろ
    print("*** modify parameters ...")

    # どれか一つしか有効にできない
    #    modify_pitch(0.3, pitch_file, mcep_file, output_file)
    #    modify_speed(300, pitch_file, mcep_file, output_file)
    #    hoarse_voice(pitch_file, mcep_file, output_file)
    #    robot_voice(100, record_seconds, mcep_file, output_file)
    #    child_voice(pitch_file, mcep_file, output_file)
    deep_voice(pitch_file, mcep_file, output_file)

    # 変換した音声を再生
    print("*** play!")
    play("output.raw")

エラー内容

Traceback (most recent call last):
 File "voice_changer.py", line 19, in record
    fp.write(struct.pack('s' * CHUNK * 2, *data))
struct.error: argument for 's' must be a bytes object

といった具合です。おそらく、変換する型がよくないのだと思いますが、変換の方法がわかっておりません。
よろしくお願いします。

Answer 1

元のコードがpython2系のものなので、その絡みでエラーになっているのだと思います。文字列・バイト列周りは仕様が大きく変わっているので、そのままでは動かないのではないでしょうか。

dataの要素が何型になっているのかちょっとわかりませんが、最終的にはpython3のbytesに変換する必要があります。

Comments

[TsuhaYuya]

python2系では動きました。
3系でも動かしたいのですが、変換の方法がよくわかっていません。
print(type(data))でdataをプリントすると
<class 'bytes'>という風に出力されました。

どこを修正して行く必要がありますでしょうか