Soundfile 以两种不同的格式导入音频

Question

我正在尝试使用 soundfile.read() 预处理要在神经网络中使用的音频文件，但该函数正在为具有相同采样率和长度的不同 .FLAC 文件设置不同格式的返回数据。例如，调用 data, sr = soundfile.read(audiofile1) 生成了一个形状为 data.shape = (48000, 2) 的数组（其中各个元素值要么是振幅 0，要么是 NumPy float64 中的负振幅），而调用 data, sr = soundfile.read(audiofile2) 生成了一个数组形状为 data.shape = (48000,)（其中各个元素值不同 NumPy float64）。

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

所以，我的问题是双重的：

为什么 soundfile.read() 会产生两种不同的数据格式，如何确保函数 returns 以后的数组格式相同？

Answer 1

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 channels=2 的 PyAudio 流进行录音）。所以我建议你先弄清楚你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，您可以通过平均通道将立体声（或更普遍的 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现有的通道来创建一个额外的通道（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()

Answer 2

就这么简单：

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

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

Soundfile 以两种不同的格式导入音频

Soundfile imports audio in two different formats

python

neural-network

signal-processing

pyaudio

soundfile