Question

情况

我正在通过使用WebRTC-VAD（Python适配器）从WebRTC使用VAD（语音活动检测）。 GitHub存储库中的example implementation使用Python的wave module从文件中读取PCM数据。请注意，根据注释，该模块仅适用于单声道音频，并且采样率为8000、16000或32000 Hz。

我想做什么

从具有不同采样率的任意音频文件（MP3和WAV文件）中读取音频数据，将它们转换为WebRTC-VAD正在使用的PCM表示形式，应用WebRTC-VAD来检测语音活动，最后通过产生再次从PCM数据中获取Numpy-Array，因为使用Librosa

时最容易使用它们

我的问题

仅在使用wave模块时，WebRTC-VAD模块才能正常工作。该模块将PCM数据作为bytes对象返回。将其馈入已获得的Numpy数组时，它不起作用，例如通过使用librosa.load(...)。我还没有找到在两种表示形式之间进行转换的方法。

我到目前为止所做的事情

我编写了以下函数来从音频文件中读取音频数据并自动将它们转换：

使用Librosa读取/转换任何音频数据的通用函数（->返回Numpy数组）：

def read_audio(file_path, sample_rate=None, mono=False):       
    return librosa.load(file_path, sr=sample_rate, mono=mono)

用于将任意数据读取为PCM数据的功能（->返回字节）：

def read_audio_vad(file_path):
    audio, rate = librosa.load(file_path, sr=16000, mono=True)
    tmp_file = 'tmp.wav'
    sf.write(tmp_file, audio, rate, subtype='PCM_16')
    audio, rate = read_pcm16_wave(tmp_file)
    remove(tmp_file)
    return audio, rate

def read_pcm16_wave(file_path):    
    with wave.open(file_path, 'rb') as wf:
        sample_rate = wf.getframerate()
        pcm_data = wf.readframes(wf.getnframes())
        return pcm_data, sample_rate

如您所见，我首先通过librosa读取/转换音频数据而绕道而行。这是必需的，因此我可以读取具有任意编码的MP3文件或WAV文件，并使用Librosa自动将其重新采样为16kHz单声道。然后，我正在写一个临时文件。在删除文件之前，我会再次读出内容，但是这次使用wave模块。这给了我PCM数据。

我现在有以下代码来提取语音活动并生成Numpy数组：

def webrtc_voice(audio, rate):
    voiced_frames = webrtc_split(audio, rate)
    tmp_file = 'tmp.wav'
    for frames in voiced_frames:
        voice_audio = b''.join([f.bytes for f in frames])
        write_pcm16_wave(tmp_file, voice_audio, rate)
        voice_audio, rate = read_audio(tmp_file)
        remove(tmp_file)

        start_time = frames[0].timestamp
        end_time = (frames[-1].timestamp + frames[-1].duration)
        start_frame = int(round(start_time * rate / 1e3)) 
        end_frame = int(round(end_time * rate / 1e3)) 
        yield voice_audio, rate, start_frame, end_frame

def write_pcm16_wave(path, audio, sample_rate):
    with wave.open(path, 'wb') as wf:
        wf.setnchannels(1)
        wf.setsampwidth(2)
        wf.setframerate(sample_rate)
        wf.writeframes(audio)

您可以看到，我再次绕过临时文件，先写PCM数据，然后再用Librosa读出临时文件，得到一个Numpy数组。 webrtc_split函数是example implementation的实现，只做了很少的更改。为了完整起见，我将其发布在这里：

def webrtc_split(audio, rate, aggressiveness=3, frame_duration_ms=30, padding_duration_ms=300):
    vad = Vad(aggressiveness)

    num_padding_frames = int(padding_duration_ms / frame_duration_ms)
    ring_buffer = collections.deque(maxlen=num_padding_frames)
    triggered = False

    voiced_frames = []
    for frame in generate_frames(audio, rate):
        is_speech = vad.is_speech(frame.bytes, rate)

        if not triggered:
            ring_buffer.append((frame, is_speech))
            num_voiced = len([f for f, speech in ring_buffer if speech])
            if num_voiced > 0.9 * ring_buffer.maxlen:
                triggered = True
                for f, s in ring_buffer:
                    voiced_frames.append(f)
                ring_buffer.clear()
        else:
            voiced_frames.append(frame)
            ring_buffer.append((frame, is_speech))
            num_unvoiced = len([f for f, speech in ring_buffer if not speech])
            if num_unvoiced > 0.9 * ring_buffer.maxlen:
                triggered = False
                yield voiced_frames
                ring_buffer.clear()
                voiced_frames = []
    if voiced_frames:
        yield voiced_frames


class Frame(object):
    """
    object holding the audio signal of a fixed time interval (30ms) inside a long audio signal
    """

    def __init__(self, bytes, timestamp, duration):
        self.bytes = bytes
        self.timestamp = timestamp
        self.duration = duration


def generate_frames(audio, sample_rate, frame_duration_ms=30):
    frame_length = int(sample_rate * frame_duration_ms / 1000) * 2
    offset = 0
    timestamp = 0.0
    duration = (float(frame_length) / sample_rate)
    while offset + frame_length < len(audio):
        yield Frame(audio[offset:offset + frame_length], timestamp, duration)
        timestamp += duration
        offset += frame_length

我的问题

我使用wave模块写入/读取临时文件并使用Librosa读取/写入这些文件以获取Numpy数组的实现对我来说过于复杂。但是，尽管花了一整天时间，但我没有找到直接在两种编码之间进行转换的方法。我承认我不完全了解PCM和WAVE文件的所有细节，也不了解使用16/24/32位存储PCM数据或字节序的影响。我希望上面的解释足够详细，不要太多。有没有更简单的方法可以在内存中的两种表示形式之间进行转换？

Answer 1

WebRTC-VAD和Python包装器py-webrtcvad似乎期望音频数据为16位PCM little-endian，这是WAV文件中最常见的存储格式。

librosa及其基础I / O库pysoundfile始终返回[-1.0, 1.0]范围内的浮点数组。要将其转换为包含16位PCM的字节，可以使用以下float_to_pcm16函数。

def float_to_pcm16(audio):
    import numpy

    ints = (audio * 32767).astype(numpy.int16)
    little_endian = ints.astype('<u2')
    buf = little_endian.tostring()
    return buf


def read_pcm16(path):
    import soundfile

    audio, sample_rate = soundfile.read(path)
    assert sample_rate in (8000, 16000, 32000, 48000)
    pcm_data = float_to_pcm16(audio)
    return pcm_data, sample_rate

将PCM波形数据转换为numpy数组，反之亦然

1 个答案: