使用 sox 解释音频统计

Question

我有一堆音频文件，需要根据静音和使用SOX 拆分每个文件。但是，我意识到有些文件的背景非常嘈杂，而有些则没有，因此我不能使用一组参数来迭代所有进行拆分的文件。我试图弄清楚如何通过嘈杂的背景将它们分开。这是我从sox input1.flac -n stat 和sox input2.flac -n stat 得到的信息

Samples read:          18207744
Length (seconds):    568.992000
Scaled by:         2147483647.0
Maximum amplitude:     0.999969
Minimum amplitude:    -1.000000
Midline amplitude:    -0.000015
Mean    norm:          0.031888
Mean    amplitude:    -0.000361
RMS     amplitude:     0.053763
Maximum delta:         0.858917
Minimum delta:         0.000000
Mean    delta:         0.018609
RMS     delta:         0.039249
Rough   frequency:         1859
Volume adjustment:        1.000

和

Samples read:         198976896
Length (seconds):   6218.028000
Scaled by:         2147483647.0
Maximum amplitude:     0.999969
Minimum amplitude:    -1.000000
Midline amplitude:    -0.000015
Mean    norm:          0.156168
Mean    amplitude:    -0.000010
RMS     amplitude:     0.211787
Maximum delta:         1.999969
Minimum delta:         0.000000
Mean    delta:         0.091605
RMS     delta:         0.123462
Rough   frequency:         1484
Volume adjustment:        1.000

前者不包含嘈杂的背景，而后者包含。我怀疑我可以使用Max delta 的Sample Mean，因为差距很大。 谁能为我解释这些统计数据的含义，或者至少告诉我我自己在哪里可以得到它（我尝试在官方文档中查找，但他们没有解释）。非常感谢。

Answer 1

我不知道我是怎么一直错过SoX docs 中的stat，它就在那里。

• 长度
  • 音频文件的长度（以秒为单位）
• 按比例缩放
  • 输入的缩放比例。默认为 2^31-1，从 32 位有符号整数变为 [-1, 1]
• 最大振幅
  • 最大样本值
• 最小振幅
  • 最小样本值
• 中线幅度
  • 又名mid-range，最大值和最小值之间的中点。
• 平均标准
  • 样本绝对值的算术平均值
• 平均振幅
  • 样本值的算术平均值
• RMS 幅度
  • root mean square，平方根的平均值
• 最大增量
  • 两个连续样本之间的最大差异
• 最小增量
  • 两个连续样本之间的最小差异
• 平均增量
  • 连续样本之间差异的算术平均值
• RMS 增量
  • 连续样本之间差异的均方根
• 粗略频率
  • 估计输入文件的频率，以赫兹为单位。不确定使用的方法
• 音量调整
  • 应该发送到 -v 的值，因此峰值绝对幅度为 1

我个人更喜欢使用stats 函数，我发现它的输出更实用。

作为区分或多或少嘈杂音频的衡量标准，我会尝试使用最高和最低声级之间的差异。最安静的部分永远不会比单独的背景噪音更安静，所以如果差别不大，音频要么很吵，要么一直很响，就像compressed pop song。您可以获取最大和最小 RMS 值之间的差值，或者峰值和最小 RMS 值之间的差值。 RMS 窗口长度应保持相当短，例如在 10 到 200 毫秒之间，如果音频有淡入或淡出部分，则应将其修剪掉，尽管我没有将其包含在代码中。

audio="input1.flac"
width=0.01

# Mixes down multi-channel files to mono
stats=$(sox "$audio" -n channels 1 stats -w $width 2>&1 |\
  grep "Pk lev dB\|RMS Pk dB\|RMS Tr dB" |\
  sed 's/[^0-9.-]*//g')

peak=$(head -n 1 <<< "$stats")
rmsmax=$(head -n 2 <<< "$stats" | tail -n 1)
rmsmin=$(tail -n 1 <<< "$stats")

rmsdif=$(bc <<< "scale=3; $rmsmax - $rmsmin")
pkmindif=$(bc <<< "scale=3; $peak - $rmsmin")

echo "
  max RMS: $rmsmax
  min RMS: $rmsmin

  diff RMS: $rmsdif
  peak-min: $pkmindif
"

Answer 2

文档位于安装目录的sox.pdf。

例如，如果您安装 Windows 32 位版本的 SoX 14.4.2，则 PDF 位于 C:\Program Files (x86)\sox-14-4-2\sox.pdf，stat 的文档位于第 35 - 36 页。

我还找到了网页版here。

Answer 3

我会使用“平均标准”值作为决定因素。它对我有用，尤其是当您在线上弹出或点击时。但是，如果线路是干净的，那么最大振幅可能是一个更好的值（我注意到你的最大振幅在两者上是相同的，因此不要在你的情况下使用它）。