tensorflow ffmpeg contrib output

Question

首先，我想说一般来说，我对TensorFlow和机器学习都是全新的。
我正在查看ffmpeg contrib部分，我看到解码音频文件的例子，我想知道解码音频文件的矢量输出是什么？我运行的代码如下：

import tensorflow as tf
from tensorflow.contrib import ffmpeg
with tf.Session() as sess:
    audio_binary = tf.read_file('test.wav')
    waveform = ffmpeg.decode_audio(audio_binary, file_format='wav',
                                   samples_per_second=16000, channel_count=1)
    audio = waveform.eval()

audio变量然后变成numpy.ndarray类型，它是单个元素列表的列表（总共约620,000个元素），它们都是（在我的情况下）-0.50218207和0.39030123之间的所有浮点数。我的问题是：这些数字是什么意思？这是某种标准的音频表现形式，我完全不知道了吗？

Answer 1

波形中的每个浮点值表示离散时刻相应音频的幅度，具体取决于采样率（在这种情况下，每1/16000秒） 。如果您正在查看2个音频通道而不是1个通道，那么您将拥有另一个类似的ndarray，从而为您提供等距时间序列数据的2d矩阵。

您可以通过查找周期性周期或幅度变化来确定该波形的分量的频率/间距。从正到负和后向的交叉可能代表基频，而较小的周期内振荡可能代表声音的谐波和泛音。通常，这种分析使用快速傅立叶变换或类似方法来执行。 TensorFlow实现肯定会让人着迷。