先利用audioread()函数对录制的信号进行8000Hz语音信号进行采样，记住采样频率和采样点数。再通过使用audioread函数，理解采样频率、采样位数等概念。最后分别设计三个低通、高通、带通FIR滤波器对采集的音频进行滤波处理，要求画出滤波后的时域波形和频域波形

好的，我了解了你的要求。首先，我们需要导入必要的Python库，包括numpy、scipy和matplotlib，代码如下：

import numpy as np
from scipy import signal
from scipy.io import wavfile
import matplotlib.pyplot as plt

接下来，我们使用`wavfile.read()`函数读取录制的音频文件，并获取采样频率和采样点数：

filename = 'record.wav'
sample_rate, data = wavfile.read(filename)
num_samples = len(data)

我们可以使用`audioread()`函数来理解采样频率和采样位数。`audioread()`函数可以读取音频文件的采样率、采样位数、通道数等信息。我们可以使用如下代码来打印出这些信息：

import audioread

with audioread.audio_open(filename) as f:
    print('Sample rate: ', f.samplerate)
    print('Channels: ', f.channels)
    print('Duration: ', f.duration)
    print('Bit depth: ', f.subtype)

接下来，我们可以定义三个滤波器，分别是低通、高通和带通滤波器，代码如下：

# Low Pass Filter
lowpass_filter = signal.firwin(101, 1000, nyq=sample_rate/2)
# High Pass Filter
highpass_filter = signal.firwin(101, 1000, pass_zero=False, nyq=sample_rate/2)
# Band Pass Filter
bandpass_filter = signal.firwin(101, [500, 1500], pass_zero=False, nyq=sample_rate/2)

我们使用`signal.firwin()`函数来生成各个滤波器的系数。在这里，我们定义了三个滤波器，分别是低通、高通和带通滤波器。这里我们使用`nyq`参数来指定Nyquist频率，`pass_zero`参数用于控制滤波器是否为带阻滤波器。

接下来，我们可以使用`signal.lfilter()`函数对音频进行滤波处理，并画出滤波后的时域波形和频域波形，代码如下：

# Apply Low Pass Filter
lowpass_filtered_data = signal.lfilter(lowpass_filter, 1, data)
plt.subplot(3, 2, 1)
plt.plot(data)
plt.title('Original Signal (Time Domain)')
plt.subplot(3, 2, 2)
plt.magnitude_spectrum(data, Fs=sample_rate)
plt.title('Original Signal (Frequency Domain)')
plt.subplot(3, 2, 3)
plt.plot(lowpass_filtered_data)
plt.title('Low Pass Filtered Signal (Time Domain)')
plt.subplot(3, 2, 4)
plt.magnitude_spectrum(lowpass_filtered_data, Fs=sample_rate)
plt.title('Low Pass Filtered Signal (Frequency Domain)')

# Apply High Pass Filter
highpass_filtered_data = signal.lfilter(highpass_filter, 1, data)
plt.subplot(3, 2, 5)
plt.plot(highpass_filtered_data)
plt.title('High Pass Filtered Signal (Time Domain)')
plt.subplot(3, 2, 6)
plt.magnitude_spectrum(highpass_filtered_data, Fs=sample_rate)
plt.title('High Pass Filtered Signal (Frequency Domain)')

# Apply Band Pass Filter
bandpass_filtered_data = signal.lfilter(bandpass_filter, 1, data)
plt.figure()
plt.subplot(2, 1, 1)
plt.plot(bandpass_filtered_data)
plt.title('Band Pass Filtered Signal (Time Domain)')
plt.subplot(2, 1, 2)
plt.magnitude_spectrum(bandpass_filtered_data, Fs=sample_rate)
plt.title('Band Pass Filtered Signal (Frequency Domain)')

plt.show()

在这里，我们使用`signal.lfilter()`函数对原始音频数据进行滤波处理，得到低通、高通和带通滤波后的音频数据。然后，我们分别画出了原始音频信号、低通滤波后的信号、高通滤波后的信号和带通滤波后的信号的时域波形和频域波形。

最终，我们可以得到滤波后的音频信号的时域波形和频域波形，如下图所示：