python 批量去掉语音中的静音段

python批量去掉语音中的静音段

其实去除语音中静音段，ffmpeg和librosa均有提供功能，但是其去除静音段有一定局限性，只能去掉文件两端的静音段，而对于文件中间存在的静音段则无法去除，在此基础上，我也是写了个可以去除语音文件中任意地方的静音段。

去除静音段流程

1. 求取语音的mfcc参数，并选取其含有能量信息的mfcc0作为端点检测的输入特征
2. 对mfcc0特征进行中值滤波，平滑mfcc0参数
3. 确定静音帧阈值，即认为超过多少帧的间隔，我们认为是静音段
4. 去除筛选出的静音段
5. 在原文件中剔除静音段，得到端点检测后的语音序列

具体code

import librosa
import soundfile as sf
import numpy as np
from scipy.signal import medfilt

#忽略警告
import warnings
warnings.filterwarnings('ignore')
'''
将帧转换为时间刻度
'''
def frame2Time(frameNum, framelen, inc, fs):
    frames = np.array(range(0, frameNum, 1))
    frames = frames * inc + framelen / 2
    frameTime = frames / fs
    return frameTime
'''
去除静音的函数
'''
def slience(filename):
	
	frame_threshold=10#该参数决定去掉连续多少帧的静音段，比如某段语音检测到有12帧的静音帧，则去掉这一段的语音，而如果检测到只有8帧，那么不操作
		
    # 求取MFCCs参数
    y, sr = librosa.load(filename, sr=16000)
    mfccs = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=24,win_length=1024,hop_length=512,n_fft=1024)

    # # 对mfcc进行中值滤波
    Mfcc1 = medfilt(mfccs[0, :], 9)
    pic = Mfcc1
    start = 0
    end = 0
    points = []
    min_data = min(pic) * 0.9

    for i in range((pic.shape[0])):
        if (pic[i] < min_data and start == 0):
            start = i
        if (pic[i] < min_data and start != 0):
            end = i

        elif (pic[i] > min_data and start != 0):
            hh = [start, end]
            points.append(hh)
            start = 0

    # 解决 文件的最后为静音
    if (pic[-1] < min_data and start != 0):
        hh = [start, end]
        points.append(hh)
        start = 0
    distances = []
    for i in range(len(points)):

        two_ends = points[i]
        distance = two_ends[1] - two_ends[0]
        if (distance > frame_threshold):
            distances.append(points[i])
    

    # 保存到本地文件夹
    name = filename.split('\\')[-1]

    # 取出来端点，按照端点，进行切割,分情况讨论：1.如果未检测到静音段 2.检测到静音段

    if (len(distances) == 0):
        # print('检测到的静音段的个数为： %s 未对文件进行处理：' % len(distances))
        return y
        # sf.write(slience_clean, clean_data, 16000)

    else:
        slience_data = []
        for i in range(len(distances)):
            if (i == 0):
                start, end = distances[i]
                # 将左右端点转换到 采样点

                if (start == 1):
                    internal_clean = y[0:0]
                else:
                    # 求取开始帧的开头
                    start = (start - 1) * 512
                    # 求取结束帧的结尾
                    end = (end - 1) * 512 + 1024
                    internal_clean = y[0:start - 1]

            else:
                _, end = distances[i - 1]
                start, _ = distances[i]
                start = (start - 1) * 512
                end = (end - 1) * 512 + 1024
                internal_clean = y[end + 1:start]

            hhh = np.array(internal_clean)
            # 开始拼接
            slience_data.extend(internal_clean)

        # 开始 添加 最后一部分,需要分情况讨论，1. 文件末尾本来就是静音的  2.文件末尾不是静音的
        ll = len(distances)
        _, end = distances[ll - 1]
        end = (end - 1) * 512 + 1024
        end_part_clean = y[end:len(y)]
        slience_data.extend(end_part_clean)
        # 写到本地
        # sf.write("./data/{}.wav".format(name), slience_data, 16000)

        return slience_data

注意：这里需要设置的有个灵活变量，就是在slience函数中设置的 frame_threshold变量,这里没有将去除静音后的语音保存下来，如果需要保存的话可以将return上的一句取消注释

如何调用slience函数批量对语音操作

'''
获取输入文件夹内的所有wav文件，并返回文件名全称列表
'''
def file_name(file_dir):
    L = []
    for root, dirs, files in os.walk(file_dir):
        for file in files:
            if os.path.splitext(file)[1] == '.wav':
                filename=os.path.join(root, file)
                # print(get_label(filename))
                L.append(filename)
        return L

if __name__ == '__main__':  
      
	wav_dir="./data"	#语音文件夹
	wav_files=file_name(wav_dir)#获取文件夹内的所有语音文件
	#对每一个文件进行操作
	for filename in wav_files:
		#去除静音段
		slience_data=slience(filename)
		...这里得到的就是去除静音后的数据，默认fs为16k,大家可以在此基础上继续进行开发
	

程序就放到上边啦，希望能对大家有用。~