Question

我有超过200个MP3文件，我需要使用静音检测来分割每个文件。我试过Audacity和WavePad，但他们没有批处理过程，而且逐个制作它们的速度很慢。

方案如下：

分道而沉默2秒或更长时间
然后在这些曲目的开头和结尾添加0.5秒并将其保存为.mp3
BitRate 192立体声
规范化卷以确保所有文件的卷和质量相同

我试过FFmpeg但没有成功。

Answer 1

我发现pydub是使用简单方法和紧凑代码进行此类音频操作的最简单工具。

您可以使用

安装pydub

pip install pydub

如果需要，您可能需要安装ffmpeg / avlib。有关详细信息，请参阅this link。

这是一个执行您所要求的代码段。某些参数（例如silence_threshold和target_dBFS）可能需要进行一些调整才能满足您的要求。总的来说，我能够分割mp3个文件，但我必须为silence_threshold尝试不同的值。

<强>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），您的声部也将是立体声。您可以像这样检查原始音频：

>>> song.channels
2

Answer 2

您可以尝试使用它在静音时分割音频，而无需探索静音阈值的可能性

def split(file, 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
    )

请注意，使用此值后无需调整Silence_thresh值。

另外，如果要通过设置音频块的最小长度来分割音频，则可以在上述代码之后添加。

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 3

已经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的解决方案，而且速度相对较快。

先决条件：

它与ffmpeg
它基于本文中的文森特·伯塞缪姆（Vincent Berthiaume）的代码（https://stackoverflow.com/a/37573133/2747626）
它需要numpy（尽管从numpy不需要太多，而且没有numpy的解决方案可能相对容易编写并进一步提高了速度）

操作模式，原理：

此处提供的解决方案是基于AI的，或者速度非常慢，或者将整个音频加载到了内存中，这对我而言是不可行的（我想将巴赫的《勃兰登堡协奏曲》的所有录音分成特定的歌曲， 2个LP长2小时，@ 44 kHz 16位立体声，在内存中为1.4 GB，非常慢。从我偶然发现这篇文章的开始，我就告诉自己，必须有一种简单的方法，因为这只是阈值过滤器操作，不需要太多的开销，并且一次可以处理很小的音频块。几个月后，我偶然发现了https://stackoverflow.com/a/37573133/2747626，这使我有了相对高效地完成音频分割的想法。
命令行参数提供源mp3（或ffmpeg可以读取的任何源），静默持续时间和噪声阈值。对于我的巴赫（Bach）LP唱片，一秒钟的振幅为0.01的全幅垃圾就可以了。
它可以让ffmpeg将输入转换为无损16位22kHz PCM，并通过subprocess.Popen传递回去，其优点是ffmpeg如此之快而且几乎没有块不会占用太多内存。
返回python，将最后一个缓冲区和最后一个缓冲区的2个临时numpy数组连接起来，并检查它们是否超过给定的阈值。如果他们不这样做，则意味着存在一片沉默，（我天真地承认）只是计算存在“沉默”的时间。如果时间至少等于给定的分钟。静默持续时间，（再次是天真的）将此当前间隔的中间作为分裂时刻。
该程序实际上对源文件不执行任何操作，而是创建了一个可以运行的批处理文件，该文件告诉ffmpeg截取这些“沉默”所界定的片段并将其保存到单独的文件中。
然后，用户可以运行输出的批处理文件，也许可以过滤掉一些重复的微间隔，并保持一小段沉默，以防歌曲之间有长时间的停顿。
此解决方案既有效又快速（该线程中的其他解决方案都没有对我起作用）。

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()

使用静音检测分割音频文件

3 个答案: