使用静音检测分割音频文件

Question

我有 200 多个 MP3 文件，我需要使用静音检测来拆分每个文件。我尝试了 Audacity 和 WavePad，但它们没有批处理，并且一个一个制作它们非常慢。

场景如下：

• 分割曲目，同时静音 2 秒或更长时间
• 然后在这些曲目的开头和结尾添加 0.5 s 并保存为 .mp3
• 比特率 192 立体声
• 标准化音量以确保所有文件的音量和质量都相同

我试过 FFmpeg 但没有成功。

Answer 1

您可以尝试使用它在静音时拆分音频，而无需探索静音阈值的可能性

def split(filepath):
    sound = AudioSegment.from_wav(filepath)
    dBFS = sound.dBFS
    chunks = split_on_silence(sound, 
        min_silence_len = 500,
        silence_thresh = dBFS-16,
        keep_silence = 250 //optional
    )

注意，使用后silence_thresh值不需要调整。

另外，如果你想通过设置音频块的最小长度来分割音频，你可以在上面提到的代码之后添加这个。

target_length = 25 * 1000 //setting minimum length of each chunk to 25 seconds
output_chunks = [chunks[0]]
for chunk in chunks[1:]:
    if len(output_chunks[-1]) < target_length:
        output_chunks[-1] += chunk
    else:
        # if the last output chunk is longer than the target length,
        # we can start a new one
        output_chunks.append(chunk)

现在我们使用 output_chunks 进行进一步处理

Answer 2

测试了所有这些解决方案，但没有一个对我有用，我找到了一个对我有用且速度相对较快的解决方案。

先决条件：

1. 它适用于ffmpeg
2. 它基于本文 (https://stackoverflow.com/a/37573133/2747626) 中 Vincent Berthiaume 的代码
3. 它需要numpy（尽管它不需要太多来自 numpy 的解决方案，没有numpy 的解决方案可能相对容易编写并进一步提高速度）

操作模式，原理：

1. 这里提供的解决方案是基于 AI 的，或者非常慢，或者将整个音频加载到内存中，这对我的目的来说是不可行的（我想将巴赫的所有勃兰登堡协奏曲的录音分割成特定的歌曲， 2 LP 时长 2 小时，@ 44 kHz 16 位立体声，内存为 1.4 GB，速度非常慢）。从一开始，当我偶然发现这篇文章时，我就告诉自己必须有一个简单的方法，因为这只是一个阈值过滤操作，不需要太多开销，一次可以在一小块音频上完成。几个月后，我偶然发现了https://stackoverflow.com/a/37573133/2747626，这让我产生了相对高效地完成音频分割的想法。
2. 命令行参数提供源 mp3（或任何 ffmpeg 可以读取的内容）、静音持续时间和噪声阈值。对于我的巴赫 LP 录音，1 秒 0.01 的全振幅就可以了。
3. 它让ffmpeg 将输入转换为无损的 16 位 22kHz PCM 并通过subprocess.Popen 将其传回，其优势在于ffmpeg 的速度非常快，而且在不占用太多内存的小块中。
4. 回到python，最后一个和最后一个缓冲区的2个临时numpy数组被连接起来，并检查它们是否超过给定的阈值。如果他们不这样做，则意味着有一段沉默，并且（我天真地承认）只需计算“沉默”的时间。如果时间至少与给定的分钟一样长。沉默持续时间，（再次天真地）将当前间隔的中间作为分裂时刻。
5. 该程序实际上并没有对源文件做任何事情，而是创建一个可以运行的批处理文件，告诉ffmpeg 获取由这些“静音”限定的段并将它们保存到单独的文件中。
6. 然后，用户可以运行输出批处理文件，可能会过滤一些重复的带有微小静音块的微小间隔，以防歌曲之间出现长时间的停顿。
7. 此解决方案既有效又快速（此线程中的其他解决方案均不适合我）。

小代码：

import subprocess as sp
import sys
import numpy

FFMPEG_BIN = "ffmpeg.exe"

print 'ASplit.py <src.mp3> <silence duration in seconds> <threshold amplitude 0.0 .. 1.0>'

src = sys.argv[1]
dur = float(sys.argv[2])
thr = int(float(sys.argv[3]) * 65535)

f = open('%s-out.bat' % src, 'wb')

tmprate = 22050
len2 = dur * tmprate
buflen = int(len2     * 2)
#            t * rate * 16 bits

oarr = numpy.arange(1, dtype='int16')
# just a dummy array for the first chunk

command = [ FFMPEG_BIN,
        '-i', src,
        '-f', 's16le',
        '-acodec', 'pcm_s16le',
        '-ar', str(tmprate), # ouput sampling rate
        '-ac', '1', # '1' for mono
        '-']        # - output to stdout

pipe = sp.Popen(command, stdout=sp.PIPE, bufsize=10**8)

tf = True
pos = 0
opos = 0
part = 0

while tf :

    raw = pipe.stdout.read(buflen)
    if raw == '' :
        tf = False
        break

    arr = numpy.fromstring(raw, dtype = "int16")

    rng = numpy.concatenate([oarr, arr])
    mx = numpy.amax(rng)
    if mx <= thr :
        # the peak in this range is less than the threshold value
        trng = (rng <= thr) * 1
        # effectively a pass filter with all samples <= thr set to 0 and > thr set to 1
        sm = numpy.sum(trng)
        # i.e. simply (naively) check how many 1's there were
        if sm >= len2 :
            part += 1
            apos = pos + dur * 0.5
            print mx, sm, len2, apos
            f.write('ffmpeg -i "%s" -ss %f -to %f -c copy -y "%s-p%04d.mp3"\r\n' % (src, opos, apos, src, part))
            opos = apos

    pos += dur

    oarr = arr

part += 1    
f.write('ffmpeg -i "%s" -ss %f -to %f -c copy -y "%s-p%04d.mp3"\r\n' % (src, opos, pos, src, part))
f.close()

Answer 3

我发现pydub 是最简单的工具，可以以简单的方式和紧凑的代码进行这种音频处理。

你可以安装pydub

pip install pydub

如果需要，您可能需要安装 ffmpeg/avlib。详情请见this link。

这是一个可以满足您要求的 sn-p。 silence_threshold 和 target_dBFS 等一些参数可能需要进行一些调整以符合您的要求。 总的来说，我能够拆分 mp3 文件，尽管我不得不为 silence_threshold 尝试不同的值。

片段

# Import the AudioSegment class for processing audio and the 
# split_on_silence function for separating out silent chunks.
from pydub import AudioSegment
from pydub.silence import split_on_silence

# Define a function to normalize a chunk to a target amplitude.
def match_target_amplitude(aChunk, target_dBFS):
    ''' Normalize given audio chunk '''
    change_in_dBFS = target_dBFS - aChunk.dBFS
    return aChunk.apply_gain(change_in_dBFS)

# Load your audio.
song = AudioSegment.from_mp3("your_audio.mp3")

# Split track where the silence is 2 seconds or more and get chunks using 
# the imported function.
chunks = split_on_silence (
    # Use the loaded audio.
    song, 
    # Specify that a silent chunk must be at least 2 seconds or 2000 ms long.
    min_silence_len = 2000,
    # Consider a chunk silent if it's quieter than -16 dBFS.
    # (You may want to adjust this parameter.)
    silence_thresh = -16
)

# Process each chunk with your parameters
for i, chunk in enumerate(chunks):
    # Create a silence chunk that's 0.5 seconds (or 500 ms) long for padding.
    silence_chunk = AudioSegment.silent(duration=500)

    # Add the padding chunk to beginning and end of the entire chunk.
    audio_chunk = silence_chunk + chunk + silence_chunk

    # Normalize the entire chunk.
    normalized_chunk = match_target_amplitude(audio_chunk, -20.0)

    # Export the audio chunk with new bitrate.
    print("Exporting chunk{0}.mp3.".format(i))
    normalized_chunk.export(
        ".//chunk{0}.mp3".format(i),
        bitrate = "192k",
        format = "mp3"
    )

如果您的原始音频是立体声（2 声道），那么您的块也将是立体声。 您可以像这样检查原始音频：

>>> song.channels
2