python - 如何比较两个或多个音频文件并获取音频不同的时间码？

Question

我正在研究python。我有两个音频文件，其中一个是原始的，一个是编辑过的音频(一半是原始的，一半是插入的音频)。
我使用过像 这样的库inaSpeechSegmenter 和 语音识别 .使用它，我可以找到音乐、语音或没有音频的音频是否不同。我还可以首先使用inaSpeechSegmenter 找到音频不同的时间。但是当音频在多个地方不同时无法找到时间码。
我也没有找到任何可以帮助我解决问题的 API。
需要一些想法和建议 .

Answer 1

我将讨论两个音频文件由逐个样本相同或不同(例如插入的音频)的区域组成的情况。要识别不匹配区域，您不需要任何高级信号处理。
首先，您需要将音频文件加载到 python 中。如果您的音频文件是“.wav”文件，您可以使用 python 内置 wave 模块。如果您还需要处理其他类型的音频文件(ogg、flac)，一个不错的选择是 soundfile ，您可以通过 pip 安装(请注意，它不支持 mp3 文件)。

import soundfile
import numpy as np

signal_1, samplerate_1 = soundfile.read("audiofile_1.wav")
signal_2, samplerate_2 = soundfile.read("audiofile_2.wav")

假设 samplerate_1 == samplerate_2那len(signal_1) == len(signal_2) .您可以像这样定位样本差异:

mismatch = (signal_1 != signal_2).astype(np.int)

这是一个与您的信号大小相同的数组，它在信号不同的位置具有值 1，在其他位置具有值 0。现在，如果您对信号不同的区域感兴趣，您可以使用np.diff和 np.where职能:

region_starts = np.where(np.diff(np.r_[0, mismatch, 0]) == 1)[0]
region_ends = np.where(np.diff(np.r_[0, mismatch, 0]) == -1)[0]

为了使开始/结束位置正确，mismatch用前导和尾随 0 填充(使用 np.r_[] )。现在您可以配对每个区域的开始/结束时间，然后除以采样率以获得以秒为单位的时间戳:

mismatching_regions = np.column_stack((region_starts, region_ends))
mismatching_regions /= samplerate_1