0

我正在尝试使用 预处理要在神经网络中使用soundfile.read()的音频文件，但是对于具有相同采样率和长度的不同 .FLAC 文件，该函数对返回的数据进行了不同的格式化。例如，调用data, sr = soundfile.read(audiofile1)生成一个具有形状的数组data.shape = (48000, 2)（其中单个元素的值是幅度，0 或 NumPy float64 中的负幅度），而调用data, sr = soundfile.read(audiofile2)生成一个具有形状的数组data.shape = (48000,)（其中单个元素的值在 NumPy float64 中变化）。

此外，如果有帮助的话，audiofile1是从通过 PyAudio 拍摄的录音中提取的录音，而是audiofile2来自 LibriSpeech 语料库的样本。

所以，我的问题是双重的：

为什么会soundfile.read()产生两种不同的数据格式，如何确保该函数将来返回相同格式的数组？

4

2 回答 2

0

您的audiofile2样本是单声道的，而您的audiofile1录音是立体声的（即您可能使用配置了的 PyAudio 流录制它channels=2）。所以我建议您首先弄清楚您的应用程序需要单声道还是立体声。

如果您真正关心的是单声道音频信号，您可以通过平均声道将立体声（或更一般的 N 声道）音频转换为单声道：

data, sr = soundfile.read(audiofile)
if np.dim(data)>1:
  data = np.mean(data,axis=1)

如果您需要立体声音频，那么您可以通过复制您拥有的通道来创建一个附加通道（尽管这不会添加通常的附加信息，例如不同通道之间的相位或幅度差异）：

if np.dim(data)<2:
  data = np.tile(data,(2,1)).transpose()
于 2020-07-15T02:10:49.673 回答
0

它很简单：

data, sr = soundfile.read(audiofile2, always_2d=True)

有了这个，data.shape总会有两个元素；data.shape[0]将是帧数，data.shape[1]将是通道数。

于 2020-07-15T06:28:04.050 回答