以毫秒为单位读取 python 中的 wav

Posted 2023-02-25

【中文标题】以毫秒为单位读取 python 中的 wav

【英文标题】：Read wav in python by mili seconds

【发布时间】：2014-05-24 13:48:03

【问题描述】：

我需要从 wav 文件中截取小片段（音素），大约需要 0.1 秒（例如 0.3698125 - 0.466125

我正在使用 wave 模块，但它无法处理它：-/ 有人知道如何处理它吗？

这个脚本应该打开文件，剪切并添加到新的文件中

data = fonemy[fonem][0] = start, end, path ([0.3698125, 0.466125, u'hds/data/speech_16kHz/utt001.wav'])

frames = ""
text   = "hello"     
for fonem in text:
    data = fonemy[fonem][0]
    win = wave.open(data[2], 'rb')
    wout = wave.open('segment.wav', 'wb')
    wout.setparams(win.getparams())
    t0 = data[0]
    t1= data[1]
    s0, s1= int(t0*win.getframerate()), int(t1*win.getframerate())
    win.readframes(s0) # discard
    frames = frames + win.readframes(s1-s0)

wout.writeframes(frames)

【问题讨论】：

这看起来不错，实际上。 但它无法处理是什么意思？预期的结果是什么？你会得到什么？

我需要从 0.3698125 到 0.466125 的音频样本，这个函数不起作用，它需要整数，所以样本的开头和结尾都是 0 - 它什么都不会读

你能告诉我print t0, t1, win.getframerate()返回什么吗？

一次迭代 0.3698125 0.466125 16000 - 帧率还是一样，只是时间在变

int(0.3698125*16000) == 5917。那么“样本的开始和结束是0”是什么意思？

【参考方案1】：

不清楚您所说的“无法处理”是什么意思，但这里的一个问题是您尝试使用float 读取帧，但您只能读取整数个帧：

>>> w = wave.open("/Users/bgporter/Documents/Juce Demo Audio Recording.wav", "rb")
>>> rate = w.getframerate()
>>> frames = 0.3698125 * rate
>>> w.readframes(frames)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/wave.py", line 253, in readframes
    data = self._data_chunk.read(nframes * self._framesize)
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/chunk.py", line 134, in read
    data = self.file.read(size)
  File "/System/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/chunk.py", line 134, in read
    data = self.file.read(size)
TypeError: integer argument expected, got float

读取音频样本的一部分没有意义。确定是否需要多一帧或少一帧的数据，并酌情舍入到下一个更高或更低的帧数：

>>> data = w.readframes(int(frames))
>>> len(data)
32616

【讨论】：

对不起，我在尝试它是否可以采用浮点数并忘记将其重写回 int...问题是，如果我将使用 int，我需要从 0.3698125 到 0.466125 的字母 h 的精确数据， begin 和 end 是 0，所以它什么都不会削减：-/

我不确定我是否关注你。假设采样率为 44100Hz，44100*3698125 = 16308.73 和 .466125*44100 = 20556.1125。如果你从头到尾四舍五入，你将提取 20557-16308 = 4249 帧的数据。