教你用Python如何玩转声音文件，将声音按照语音间隙切割为片段

声音信号在现实生活中有很多，在如今这个信息爆炸的社会中，提取有用的声音信号也变的尤为重要。当我们采集了一段声音信号后，有时候需要将这段声音的每一句话分离开来做分析，提取我们需要的声音信息。在这里提供一种方法，可以将大段声音进行有效的切割。

首先，我们需要导入需要的资源库包。

导入资源库

下载soundfile：pip install soundfile

下载retry：pip install retry

读取音频文件观察声音的波形

import matplotlib.pyplot as plt
import soundfile as sf

musicFileName = '8_Channel_ID.wav'
sig, sample_rate = sf.read(musicFileName)
print("采样率：%d" % sample_rate)
print("时长：", sig.shape[0]/sample_rate, '秒')

# 声音有两个通道
serviceData = sig.T[0]
clientData = sig.T[1]

plt.rcParams['figure.figsize'] = (20, 5) # 设置figure_size尺寸
plt.figure()
l=sig.shape[0]
x = [i/8000 for i in range(l)]
plt.plot(x, serviceData, c='b')
plt.show()

采取的声音信息：

声音的波形：

三个参数的定义

实际上，读取声音文件后，就成为了一个向量，实际上就是对向量的处理，可以看出，声音波形起起伏伏，每句话之间有一定间隙，并且声音的间隙还存在一定噪音。为了完成切割，设置了三个参数：

1. voiceMinValue：最小音量，小于该值即判断为噪音
2. voiceMaxDistanceSecond：两句话之间做大时间间隔，大于该值即认为是两句话，否则认为是一句话
3. voiceMinSecond：单个音频最小时间长度，小于该值即认为是噪音

类的初始值

上述的三个参数，加上音频文件名称，文件输出路径，构成了类的初始值

class Voicesplit(object):
    def __init__(self, musicFileName, outFilePath):
        # 音频文件名称
        self.musicFileName = musicFileName
        # 文件输出路径
        self.outFilePath = outFilePath
        # 最小音量
        self.voiceMinValue = 0.01
        # 两句话之间最大时间间隔（秒）
        self.voiceMaxDistanceSecond = 0.1
        # 单个音频最小时间长度（秒）
        self.voiceMinSecond = 0.1

使用这三个关键参数进行声音切割

# 分割声音，分段保存
    def splitVoiceAndSave(self):
        sig, self.sample_rate = sf.read(self.musicFileName)
        print('正在读取文件:%s' % musicFileName)
        print("采样率：%d" % self.sample_rate)
        print("时长：%s" % (sig.shape[0] / self.sample_rate), '秒')

        # 我的音频文件有两个通道，这里读取第一个通道，你需要根据你的音频文件是否是双通道，进行修改
        inputData = sig.T[0]

        dd = {
    
    }
        for k, v in tqdm(enumerate(inputData)):
            if abs(v) < self.voiceMinValue:
                dd[k] = 0
            else:
                dd[k] = v

        x = [i / self.sample_rate for i in range(len(inputData))]
        y = list(dd.values())

        # 删除空白部分
        for key in list(dd):
            if dd[key] == 0:
                dd.pop(key)

        # 判断声音间隔
        voiceSignalTime = list(dd.keys())
        list1 = []
        list2 = []
        for k, v in enumerate(voiceSignalTime[:-2]):
            list2.append(v)
            if voiceSignalTime[k + 1] - v > self.voiceMaxDistanceSecond * self.sample_rate:
                list1.append(list2)
                list2 = []

        if len(list1) == 0:
            list1.append(list2)

        if len(list1) > 0 and (
                voiceSignalTime[-1] - voiceSignalTime[-2]) < self.voiceMaxDistanceSecond * self.sample_rate:
            list1[-1].append(voiceSignalTime[-2])

        voiceTimeList = [x for x in list1 if len(x) > self.voiceMinSecond * self.sample_rate]
        print('分解出声音片段：', len(voiceTimeList))

        for voiceTime in voiceTimeList:
            voiceTime1 = int(max(0, voiceTime[0] - 0.8 * self.sample_rate))
            voiceTime2 = int(min(sig.shape[0], voiceTime[-1] + 0.8 * self.sample_rate))
            self.wavWriteByTime(musicFileName=self.musicFileName, outData=inputData, voiceTime1=voiceTime1, voiceTime2=voiceTime2)

对切割的声音片段进行保存

# wav文件写入,分时间间隔
def wavWriteByTime(self, musicFileName, outData, voiceTime1, voiceTime2):
    outData = outData[voiceTime1:voiceTime2]
    fileAbsoluteName = os.path.splitext(os.path.split(musicFileName)[-1])[0]
    fileSavePath = os.path.join(self.outFilePath, fileAbsoluteName)

    if not os.path.exists(fileSavePath):
        os.makedirs(fileSavePath)

    outfile = os.path.join(fileSavePath,os.path.splitext(os.path.split(musicFileName)[-1])[0] + '_%d_%d_%s_split.wav' % (voiceTime1, voiceTime2, self.sample_rate))


    # 判断文件是否存在
    if not os.path.exists(outfile):
        print('正在生成文件：', outfile)
        with wave.open(outfile, 'wb') as outwave:  # 定义存储路径以及文件名
            nchannels = 1
            sampwidth = 2
            fs = 8000
            data_size = len(outData)
            framerate = int(fs)
            nframes = data_size
            comptype = "NONE"
            compname = "not compressed"
            outwave.setparams((nchannels, sampwidth, framerate, nframes, comptype, compname))
            for v in outData:
                outwave.writeframes(struct.pack('h', int(v * 64000 / 2)))

声音分割结果

我这个声音文件最终分割出来的声音片段为1，具体声音文件可根据自己的信息进行获取。