python-3.x - 语音事件检测

Question

尝试在波形格式音频文件中使用webrctvad获得二进制结果时遇到问题。我使用librosa以便以.wav格式加载音频文件。谁能告诉我如何结合使用librosa和webrtcvad来获取音频是否包含语音的二进制输出？

Webrtcvad module works correctly with the wave module

上面的链接对我有很大帮助，但是仍然很困惑，因为该链接包含了很好的解释，但是在实现过程中会出现很多错误。

Answer 1

py-webrtcvad期望音频数据为16位PCM little-endian，这是WAV文件中最常见的存储格式。
librosa及其底层I / O库pysoundfile始终返回[-1.0, 1.0]范围内的浮点数组。要将其转换为包含16位PCM的字节，可以使用以下float_to_pcm16函数。

我已经测试过使用read_pcm16函数直接替换官方py-webrtcvad example中的read_wave。但是允许打开声音文件支持的任何音频文件(WAV，FLAC，OGG)等。

def float_to_pcm16(audio):
    import numpy

    ints = (audio * 32767).astype(numpy.int16)
    little_endian = ints.astype('<u2')
    buf = little_endian.tostring()
    return buf


def read_pcm16(path):
    import soundfile

    audio, sample_rate = soundfile.read(path)
    assert sample_rate in (8000, 16000, 32000, 48000)
    pcm_data = float_to_pcm16(audio)
    return pcm_data, sample_rate