Soundfile 以两种不同的格式导入音频

Soundfile imports audio in two different formats

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?

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()

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。