我正在查找类似的内容，并在这里写了一个愚蠢的答案，但被删除了。我有一些想法，但并没有真正正确地写出来。删除给了我互联网挫伤的自我自豪感，所以我决定尝试这个问题，我认为它有效！
实际上，尝试按照亚当戴维斯的答案进行真正的定位是非常困难的，但是进行人性化的定位（查看第一个来源，忽略回声或将它们视为来源）并不算太糟糕，我认为，虽然我无论如何都不是信号处理专家。
我读了这个和这个。这让我意识到问题实际上是找到两个信号之间的时间偏移（互相关）。从那里您将使用声速计算角度。请注意，您将获得两种解决方案（正面和背面）。
我读到的关键信息是在这个答案和同一页面上的其他人讨论如何在 scipy 中进行快速傅立叶变换以找到互相关曲线。
基本上，您需要将wave文件导入python。看到这个。
如果您的波形文件（输入）是一个具有两个 numpy 数组（左、右）的元组，零填充至少与自身一样长（以阻止它明显循环对齐），则代码遵循 Gustavo 的答案。我认为您需要认识到 ffts 做出了时间不变性的假设，这意味着如果您想要获得任何类型的基于时间的信号跟踪，您需要“咬掉”小数据样本。
我从提到的来源中汇总了以下代码。它将生成一个图表，显示估计的时间延迟，以帧为单位，从左到右（负/正）。要转换为实际时间，请除以采样率。如果您想知道角度是多少，您需要：
- 假设一切都在一个平面上（没有高度因素）
- 忘记前面声音和后面声音的区别（你无法区分）
您还需要使用两个麦克风之间的距离来确保您没有收到回声（时间延迟大于 90 度延迟的时间延迟）。
我意识到我在这里借了很多东西，所以感谢所有不经意间做出贡献的人！
import wave
import struct
from numpy import array, concatenate, argmax
from numpy import abs as nabs
from scipy.signal import fftconvolve
from matplotlib.pyplot import plot, show
from math import log
def crossco(wav):
"""Returns cross correlation function of the left and right audio. It
uses a convolution of left with the right reversed which is the
equivalent of a cross-correlation.
"""
cor = nabs(fftconvolve(wav[0],wav[1][::-1]))
return cor
def trackTD(fname, width, chunksize=5000):
track = []
#opens the wave file using pythons built-in wave library
wav = wave.open(fname, 'r')
#get the info from the file, this is kind of ugly and non-PEPish
(nchannels, sampwidth, framerate, nframes, comptype, compname) = wav.getparams ()
#only loop while you have enough whole chunks left in the wave
while wav.tell() < int(nframes/nchannels)-chunksize:
#read the audio frames as asequence of bytes
frames = wav.readframes(int(chunksize)*nchannels)
#construct a list out of that sequence
out = struct.unpack_from("%dh" % (chunksize * nchannels), frames)
# Convert 2 channels to numpy arrays
if nchannels == 2:
#the left channel is the 0th and even numbered elements
left = array (list (out[0::2]))
#the right is all the odd elements
right = array (list (out[1::2]))
else:
left = array (out)
right = left
#zero pad each channel with zeroes as long as the source
left = concatenate((left,[0]*chunksize))
right = concatenate((right,[0]*chunksize))
chunk = (left, right)
#if the volume is very low (800 or less), assume 0 degrees
if abs(max(left)) < 800 :
a = 0.0
else:
#otherwise computing how many frames delay there are in this chunk
cor = argmax(crossco(chunk)) - chunksize*2
#calculate the time
t = cor/framerate
#get the distance assuming v = 340m/s sina=(t*v)/width
sina = t*340/width
a = asin(sina) * 180/(3.14159)
#add the last angle delay value to a list
track.append(a)
#plot the list
plot(track)
show()
我使用在equilogy找到的一些立体声音频对此进行了尝试。我使用了汽车示例（立体声文件）。它产生了这个。
要即时执行此操作，我想您需要有一个传入的立体声源，您可以在短时间内“收听”（我使用 1000 帧 = 0.0208 秒），然后计算并重复。
[编辑：发现您可以轻松使用 fft convolve 函数，使用两者之一的倒置时间序列进行相关]