将PCM波数据转换为numpy数组，反之亦然。

Question

状况

我正在使用WebRTC的VAD(语音活动检测)，使用的方法是 WebRTC-VAD，一个Python适配器。该 实例 的GitHub repo中使用了Python的 波形模块 来读取文件中的PCM数据。请注意，根据注释，该模块只适用于单声道音频和8000、16000或32000 Hz的采样率。

我想做的是

从任意音频文件（MP3和WAV文件）中读取不同采样率的音频数据，将其转换为WebRTC-VAD所使用的PCM表示法，应用WebRTC-VAD检测语音活动，最后通过从PCM数据再次生成Numpy-Array来处理结果，因为在使用PCM数据时，它们是最容易处理的。书籍

我的问题

WebRTC-VAD模块只有在使用以下功能时才能正常工作 wave 模块。该模块将PCM数据以 bytes 对象。当给它输入已经获得的Numpy数组时，它不能工作，例如通过使用 librosa.load(...). 我还没有找到一种方法来转换这两种表达方式。

到目前为止，我所做的是

我写了以下函数来读取音频文件中的音频数据并自动转换它们。

用Librosa读取转换任何音频数据的通用函数（--&gt；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)

读取任意数据为PCM数据的函数（--> 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

正如你所看到的，我先用librosa读取转换音频数据，从而绕了个弯。这是需要的，这样我就可以从MP3文件或WAV文件中读取任意编码的数据，然后用Librosa自动将其重新采样为16kHz单声道。然后我在向一个临时文件写入。在删除文件之前，我再次读出文件的内容，但这次我使用的是 wave 模块。这样我就得到了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)

正如你所看到的，我又绕了一个临时文件，先写PCM数据，然后再用Librosa读出临时文件，得到一个Numpy数组。该 webrtc_split 函数是由 实例 只做了一些小改动。为了完整起见，我把它贴在这里。

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

我的实现与写读临时文件与 wave 模块，并用Librosa读写这些文件来得到Numpy Arrays，对我来说似乎过于复杂。然而，尽管我花了整整一天的时间在这件事上，我没有找到一种方法来直接在两种编码之间进行转换。我承认我并不完全理解PCM和WAVE文件的所有细节，对PCM数据使用162432-Bit的影响或endianness。我希望我上面的解释足够详细，不要太多。有没有更简单的方法在内存中转换这两种表示方式？

Answer 1

看来，WebRTC-VAD，还有Python包装器。py-wrtcvad，希望音频数据是16位PCM小恩典--因为这是WAV文件中最常见的存储格式。

librosa 和它的底层IO库 pysoundfile 但总是返回浮点数组，范围是 [-1.0, 1.0]. 要将其转换为包含16位PCM的字节，可以使用以下方法。float_to_pcm16 职能。

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