我目前正在开发一个关键字定位系统，该系统使用深度神经网络识别0到9的数字。我有一个人们说数字的数据集（即德州仪器公司收集的TIDIGITS数据集），但数据并没有准备好输入神经网络，因为并非所有的音频数据都具有相同的音频长度，加上一些文件包含按顺序说出的几个数字，例如＆＃34;一个二三＆＃34;。
有谁能告诉我如何将这些wav文件转换为仅包含一位数声音的1秒wav文件？有没有办法自动执行此操作？单独准备音频文件会非常昂贵。
提前谢谢！
答案 0 :(得分：2)
这取决于您拥有的其他数据集，但这里有一种方法：只是盲目地从音频中剪下一秒片段，然后判断每个音频片段文件是否实际上是单个口述数字。
对于每个输入音频文件，定义一个第二个窗口，您可以将其拉出并保存到自己的文件中，然后将此窗口进一步滑入音频文件，然后再将下一个片段插入到自己的文件中。
由于我们需要一个第二个剪辑，并且我们不知道源输入文件中我们的数字位于何处，一旦第一个窗口片段被保存，只有幻灯片说100ms并且拔出下一个窗口。因此，对于每个输入音频文件，我们将创建一系列重叠片段，每个片段的起始点仅与前一个片段分开100毫秒。要轻松执行此操作，请使用命令行工具ffmpeg
https://ffmpeg.org/ffmpeg.html
https://ffmpeg.org/ffmpeg-utils.html#time-duration-syntax
input_audio=audio_from_your_dataset.wav
output_audio=output/aaa
ffmpeg -i $input_audio -ss 0 -t 1 -acodec copy ${output_audio}.0.00.wav
ffmpeg -i $input_audio -ss 0.20 -t 1 -acodec copy ${output_audio}.0.20.wav
ffmpeg -i $input_audio -ss 0.40 -t 1 -acodec copy ${output_audio}.0.40.wav
ffmpeg -i $input_audio -ss 0.60 -t 1 -acodec copy ${output_audio}.0.60.wav
ffmpeg -i $input_audio -ss 0.80 -t 1 -acodec copy ${output_audio}.0.80.wav
ffmpeg -i $input_audio -ss 1.00 -t 1 -acodec copy ${output_audio}.1.00.wav
ffmpeg -i $input_audio -ss 1.20 -t 1 -acodec copy ${output_audio}.1.20.wav
在parm -ss上面以秒为单位定义片段的起始点...所以0.60将在文件中开始600ms ... parm -t定义窗口的长度（以秒为单位）
所以它的输出将是
./output/aaa.0.00.wav
./output/aaa.0.20.wav
./output/aaa.0.40.wav
./output/aaa.0.60.wav
./output/aaa.0.80.wav
./output/aaa.1.00.wav
./output/aaa.1.20.wav
在命令行上面的问题...它不仅限于wav，其他编解码器也可以......现在你有几个一秒的片段音频文件从相同的输入音频中提取...我会在上面的过程中进行包装有一个改变你的窗口宽度的元过程...没有任何结果说1秒所以上面的所有窗口都是0.1秒到1秒之间的变化......这将几何爆炸你生成的片段文件的数量...如果你添加另一个最外层的循环，你可以改变每个窗口起始点滑过的增量时间，因为100ms也应该是一个自由变量...所以你的代码应该为你的ffmpeg调用定义三个for循环（到跨输入文件前进，改变窗口宽度，改变窗口幻灯片）
ffmpeg是用于音频/视频操作的行业标准瑞士军刀（以及Sox）......除了命令行工具集之外，ffmpeg也是一组可以从任何语言调用的库（python，go ,. ..）
现在执行一些ML，以确定哪些片段与已知语音数字的最接近匹配，以识别您保留或丢弃的片段
答案 1 :(得分：0)
我会按照沉默的区域分割每个wav。从开始和结束修剪沉默。然后我会通过FFT运行每个部分的不同部分。在声音开始时较小的那些。然后我将频率标准化为基频。然后我将结果作为一个体积，频率和时间的3d数组输入NN。