使用python从音频中获取时间戳
我有很多音频文件，我想在发言开始和结束时自动添加时间戳。因此，一个“开始”的时间戳时，一个话语开始。以及在话语结束时的“停止”时间戳。
比如：
start,stop
0:00:02.40,0:00:11.18
0:00:18.68,0:00:19.77
...我测试了下面的解决方案，它运行得很好：使用静默检测分割音频文件问题是，我只能从这个问题中获得块，这使得将时间戳与原始音频匹配起来有点困难
任何解决方案或推动在正确的方向将是高度赞赏的！
回答 2
Stack Overflow用户
发布于 2019-12-03 07:45:21
理想情况下，应用具有全面测试/训练数据的ML算法将产生一个动态解决方案，可能不需要对静音长度和阈值值进行任何手动调整。
然而，可以使用pydub的非沉默方法设计一个简单的静态解决方案。此方法以连续的方式返回非无声块的开始和停止时间。
以下参数会影响可能需要进行一些调整的结果。
min_silence_len :以毫秒为单位的最小静音长度，即音频中所期望的长度。
silence_thresh :在这三种情况下的任何东西都被认为是沉默。
在尝试时，我确实注意到，在通过detect_nonsilent方法运行之前，对音频进行规范化非常有帮助，这可能是因为增益被应用于达到平均振幅水平，这使得检测沉默变得更加容易。
示例音频文件是从公开语音回复下载的。每个音频文件有10个口语句子，两者之间有一定的差距。
下面是一个实用的演示代码：
from pydub import AudioSegment
from pydub.silence import detect_nonsilent
#adjust target amplitude
def match_target_amplitude(sound, target_dBFS):
change_in_dBFS = target_dBFS - sound.dBFS
return sound.apply_gain(change_in_dBFS)
#Convert wav to audio_segment
audio_segment = AudioSegment.from_wav("OSR_us_000_0010_8k.wav")
#normalize audio_segment to -20dBFS
normalized_sound = match_target_amplitude(audio_segment, -20.0)
print("length of audio_segment={} seconds".format(len(normalized_sound)/1000))
#Print detected non-silent chunks, which in our case would be spoken words.
nonsilent_data = detect_nonsilent(normalized_sound, min_silence_len=500, silence_thresh=-20, seek_step=1)
#convert ms to seconds
print("start,Stop")
for chunks in nonsilent_data:
print( [chunk/1000 for chunk in chunks])结果：
root# python nonSilence.py
length of audio_segment=33.623 seconds
start,Stop
[0.81, 2.429]
[4.456, 5.137]
[8.084, 8.668]
[11.035, 12.334]
[14.387, 15.601]
[17.594, 18.133]
[20.733, 21.289]
[24.007, 24.066]
[27.372, 27.977]
[30.361, 30.996]从大胆中可以看出(下面显示的差异)，我们的结果在0.1秒-0.4秒的偏移内接近.调优detect_nonsilent参数可能有帮助。
Count From Script From Audacity
1 0.81-2.429 0.573-2.833
2 4.456-5.137 4.283-6.421
3 8.084-8.668 7.824-9.679
4 11.035-12.334 10.994-12.833
5 14.387-15.601 14.367-16.120
6 17.594-18.133 17.3-19.021
7 20.773-21.289 20.471-22.258
8 24.007-24.066 23.843-25.664
9 27.372-27.977 27.081-28.598
10 30.361, 30.996 30.015-32.240
Stack Overflow用户
发布于 2019-12-02 19:04:27
您可以执行与你上面发布的pydub溶液类似的操作，但可以使用detect_silence函数(来自pydub.silence导入detect_silence)，该函数将为您提供“静默范围”，即每个静默期的开始和停止。这种消极的形象--开始是停止，停止是开始--是非沉默的时期。有人展示了一个使用detect_silence 这里的示例。
编辑：
下面是链接中的示例代码(以防链接下降)：
def test_realistic_audio(self):
silent_ranges = detect_silence(self.seg4, min_silence_len=1000, silence_thresh=self.seg4.dBFS)
prev_end = -1
for start, end in silent_ranges:
self.assertTrue(start > prev_end)
prev_end = endhttps://stackoverflow.com/questions/59102171
复制相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号