Speech | 语音处理，分割一段音频（python）

本文主要是关于语音数据在处理过程中的一些脚本文件以及实例，所有代码只需要更改所需处理的文件路径，输出路径等，全部可运行。

目录

所需环境

方法1：将一整段音频按时间批量切成一个一个音频

方法2：将一整段音频按语句停顿批量切成一个一个音频

方法3：将一个文件夹内的几整段音频批量切成一个一个音频

3.1.数据格式：一个文件夹下的长几分多的音频（wav文件）按固定秒数切割

3.2.数据格式：一个文件夹下的长几分多的音频（mp3文件）按固定秒数切割

3.3.数据格式：一个文件夹下的长几分多的音频（wav文件）按语句停顿切割

扩展

将pcm文件批量处理成wav文件

Linux下查询文件夹中文件数量的方法

使用ls命令和wc命令

WAV格式文件详解

---

所需环境

本文环境：Linux

pydub(安装：pip3 install pydub)

ffmpeg(apt install ffmpeg)

方法1：将一整段音频按时间批量切成一个一个音频

数据格式：一个长三分五十秒的音频

# split_wav_time.py
from pydub import AudioSegment
from pydub.utils import make_chunks

audio = AudioSegment.from_file("his_one/1.wav", "wav")

#size = 10000  #切割的毫秒数 10s=10000
size = 60000  #切割的毫秒数 60s=60000

chunks = make_chunks(audio, size)  #将文件切割为60s一个

for i, chunk in enumerate(chunks):
    chunk_name = "new-{0}.wav".format(i)
    print(chunk_name)
    chunk.export(chunk_name, format="wav")

运行命令：

python split_wav_time.py

 结果：

方法2：将一整段音频按语句停顿批量切成一个一个音频

数据格式：一个长几分多的音频

利用split_on_silence（sound，min_silence_len,   silence_thresh,    keep_silence=400）函数

第一个参数为待分割音频，第二个为多少秒“没声”代表沉默，第三个为分贝小于多少dBFS时代表沉默，第四个为为截出的每个音频添加多少ms无声

from pydub import AudioSegment
from pydub.silence import split_on_silence
 
sound = AudioSegment.from_mp3("his_one/1.wav")
loudness = sound.dBFS
#print(loudness)
 
chunks = split_on_silence(sound,
    # must be silent for at least half a second,沉默半秒
    min_silence_len=430,
 
    # consider it silent if quieter than -16 dBFS
    silence_thresh=-45,
    keep_silence=400
 
)
print('Len:', len(chunks))
 
# 放弃长度小于2秒的录音片段
for i in list(range(len(chunks)))[::-1]:
    if len(chunks[i]) <= 2000 or len(chunks[i]) >= 10000:
        chunks.pop(i)
print('取有效分段(大于2s小于10s)：', len(chunks))
 
'''
for x in range(0,int(len(sound)/1000)):
    print(x,sound[x*1000:(x+1)*1000].max_dBFS)
'''
 
for i, chunk in enumerate(chunks):
    chunk.export("cutwav_{0}.wav".format(i), format="wav")
    #print(i)

  结果：

方法3：将一个文件夹内的几整段音频批量切成一个一个音频

3.1.数据格式：一个文件夹下的长几分多的音频（wav文件）按固定秒数切割

from pydub import AudioSegment
from pydub.utils import make_chunks
import os, re

# # 循环目录下所有文件
for each in os.listdir("/workspace/tts/PolyLangVITS/history"): #循环目录
    
    filename = re.findall(r"(.*?)\.wav", each) # 取出.wav后缀的文件名
    print(each)
    if each:
        # filename[0] += '.wav'
        # print(filename[0])

        mp3 = AudioSegment.from_file('/workspace/tts/PolyLangVITS/history/{}'.format(each), "wav") # 打开mp3文件
#         # # mp3[17*1000+500:].export(filename[0], format="mp3") #
        size = 15000  # 切割的毫秒数 10s=10000

        chunks = make_chunks(mp3, size)  # 将文件切割为15s一块

        for i, chunk in enumerate(chunks):

            chunk_name = "{}-{}.wav".format(each.split(".")[0],i)
            print(chunk_name)
            chunk.export('/workspace/tts/PolyLangVITS/preprodata/his_out/{}'.format(chunk_name), format="wav")



 

 结果

3.2.数据格式：一个文件夹下的长几分多的音频（mp3文件）按固定秒数切割

from pydub import AudioSegment
from pydub.utils import make_chunks
import os, re
# #
# # 循环目录下所有文件
for each in os.listdir("D:/纯音乐"): #循环目录
    
    filename = re.findall(r"(.*?)\.mp3", each) # 取出.mp3后缀的文件名
    print(each)
    if each:
        # filename[0] += '.wav'
        # print(filename[0])

        mp3 = AudioSegment.from_file('D:/纯音乐/{}'.format(each), "mp3") # 打开mp3文件
#         # # mp3[17*1000+500:].export(filename[0], format="mp3") #
        size = 15000  # 切割的毫秒数 10s=10000

        chunks = make_chunks(mp3, size)  # 将文件切割为15s一块

        for i, chunk in enumerate(chunks):

            chunk_name = "{}-{}.mp3".format(each.split(".")[0],i)
            print(chunk_name)
            chunk.export('D:/纯音乐分解/{}'.format(chunk_name), format="mp3")```



 

 3.3.数据格式：一个文件夹下的长几分多的音频（wav文件）按语句停顿切割

 

# @ Elena
# @ Date : 23.9.4


import os, re
from pydub import AudioSegment
from pydub.silence import split_on_silence

# # 循环目录下所有文件
for each in os.listdir("/workspace/tts/PolyLangVITS/history"): 
    filename = re.findall(r"(.*?)\.wav", each) # 取出.wav后缀的文件名
    print(each)
    if each:
        sound = AudioSegment.from_file('/workspace/tts/PolyLangVITS/history/{}'.format(each), "wav")
        loudness = sound.dBFS
    #print(loudness)
 
    chunks = split_on_silence(sound,
        # must be silent for at least half a second,沉默半秒
        min_silence_len=430,
    
        # consider it silent if quieter than -16 dBFS
        silence_thresh=-45,
        keep_silence=400
    
    )
    print('Len:', len(chunks))
    
    # 放弃长度小于1秒的录音片段
    for i in list(range(len(chunks)))[::-1]:
        if len(chunks[i]) <= 1000 or len(chunks[i]) >= 10000:
            chunks.pop(i)
    print('Len (1s~10s wav file):', len(chunks))
    
    '''
    for x in range(0,int(len(sound)/1000)):
        print(x,sound[x*1000:(x+1)*1000].max_dBFS)
    '''
    
    for i, chunk in enumerate(chunks):
        chunk_name = "{}-{}.wav".format(each.split(".")[0],i) 
        chunk.export("/workspace/tts/PolyLangVITS/preprodata/his_out/{}".format(chunk_name), format="wav")
        #print(i)

结果

使用 file 查询  wav

(WAV文件格式是Microsoft的RIFF规范的一个子集，用于存储多媒体文件。WAV(RIFF)文件由若干个Chunk组成，分别为: RIFF WAVE Chunk，Format Chunk，Fact Chunk(可选)，Data Chunk。具体格式如下：)

扩展

将pcm文件批量处理成wav文件

import wave
import os
 
filepath = "data/"  # 添加路径
filename = os.listdir(filepath)  # 得到文件夹下的所有文件名称
#f = wave.open(filepath + filename[1], 'rb')
#print(filename)
for i in range(len(filename)):
    with open("data/"+failename[i], 'rb') as pcmfile:
        pcmdata = pcmfile.read()
    with wave.open("data/"+filename[i][:-3] + '.wav', 'wb') as wavfile:
        wavfile.setparams((1, 2, 16000, 0, 'NONE', 'NONE'))
        wavfile.writeframes(pcmdata)

Linux下查询文件夹中文件数量的方法

使用ls命令和wc命令

使用ls命令的-l选项和管道操作符|结合wc命令来统计文件数量：

查询当前文件夹下带有“wav”的文件数量

ls -l | grep "wav" | wc -l

 

WAV格式文件详解

WAV文件格式是Microsoft的RIFF规范的一个子集，用于存储多媒体文件。WAV(RIFF)文件由若干个Chunk组成，分别为: RIFF WAVE Chunk，Format Chunk，Fact Chunk(可选)，Data Chunk。具体格式如下：

音频文件参数简介
对于形如44100HZ 16bit stereo 或者 22050HZ 8bit mono参数描述的音频文件，其蕴含的文件参数包括：

采样率：声音信号在“模→数”转换过程中单位时间内采样的次数。
采样值（采样精度）：每一次采样周期内声音模拟信号的积分值。
同时，每个采样数据记录的是振幅, 而采样精度取决于储存空间的大小。
对于单声道（mono）文件，采样数据为8位的短整数，同时其采样精度有：

1 字节（8bit） 只能记录 256 个数, 也就是只能将振幅划分成 256 个等级；
2 字节（16bit） 可以细到 65536 个数, 即为 CD 标准；
4 字节（32bit） 能把振幅细分到 4294967296 个等级, 实在是没必要了。
对于双声道立体声（stereo）文件，每次采样数据为一个16位的整数（int），且采样是双份的，也为单声道文件的两倍。采样数据中高八位(左声道)和低八位(右声道)分别代表两个声道。

由于wav格式文件本质上为音频文件，即可根据文件的大小、采样频率和采样大小估算文件的播放长度。
更多可查看Microsoft WAVE soundfile format (sapp.org)