语音情绪识别和语音识别等语音处理任务的语音数据 振幅归一化方法 how to normalize the amplitude of audio with python

网上找了一圈都没有找到比较靠谱的方法, 有一篇文章提到用什么do_pcm工具, 但是全网都没有相关的内容, 这里贴上一个调用pydub.effects.normalize方法进行振幅归一化的方法. 方便后面的同学.

• 主要思想
  取一段语料中幅度最大的点将其幅度拉大到接近1，记录拉大的比例，再将其他所有点均按这个比例拉伸。

• pydub.effects.normalize源码

@register_pydub_effect
def normalize(seg, headroom=0.1):  # 传入一个pydub的AudioSegment对象<class 'pydub.audio_segment.AudioSegment'>
    """
    headroom is how close to the maximum volume to boost the signal up to (specified in dB)
    headroom是多远接近最大音量(振幅)以提升信号（以dB为单位）
    """
    peak_sample_val = seg.max  # 计算传入的sound的最大振幅作为 峰值样本振幅值
    
    # if the max is 0, this audio segment is silent, and can't be normalized
    # 如果最大值为0，则此音频段是静默的，无法标准化 直接返回seg就好
    if peak_sample_val == 0:
        return seg
    
    target_peak = seg.max_possible_amplitude * db_to_float(-headroom)  # 目标峰值 = seg的最大可能振幅 * 转化成浮点数的理论最大振幅

    needed_boost = ratio_to_db(target_peak / peak_sample_val)  # 用 目标峰值/峰值样本振幅值 得到 浮点形式的音频缩放比例 再用ratio_to_db方法把这个值从浮点单位转成dB单位
    return seg.apply_gain(needed_boost)  # 调用apply_gain对seg执行needed_boost尺度的全局增益

• python调用pydub.effects.normalize进行振幅归一化的方法

from pydub import effects
_sound = AudioSegment.from_file("./input.wav", "wav")
sound = effects.normalize(_sound)
sound.export("./output.wav", format="wav")

• 实际效果

before normalized input.wav

after normalized output.wav