Python基于语音间隙将声音切割为片段

当我们采集了一大段声音后，有时候需要将这段声音的每一句话分离开来做分析，本文提供一种方法，可以将大段声音进行有效的切割。

首先，我们写一段代码，读取音频文件，来看一下声音的波形吧。

import matplotlib.pyplot as plt
import soundfile as sf

musicFileName = '你的音频文件名'
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()

实际上，读取声音文件后，就成为了一个向量，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，我设置了三个参数：

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

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

以下代码使用上面的三个关键参数进行切割。

# 分割声音，分段保存
@retry(tries=5, delay=2)
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)

下面的代码功能是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)))

以下是代码运行情况，将声音分割成为了13个片段。

完整代码已上传至github：https://github.com/shulisiyuan/viceSplit