如何基于静音分割音频文件并在python中重叠最后说2秒

Question

目前我正在使用此代码将音频文件切成小块：

sound = AudioSegment.from_mp3("1.WAV")

f=open("decoded.txt", "a+")

chunks = split_on_silence(sound,min_silence_len=280,silence_thresh=-33,keep_silence=150)

for i, chunk in enumerate(chunks):

    print(i)

    print("\n")

    chunk.export(folder+"/chunk{0}.wav".format(i), format="wav")

    AUDIO_FILE = path.join(path.dirname(path.realpath(__file__)), folder+"/chunk{0}.wav".format(i))

    r = sr.Recognizer()

    with sr.AudioFile(AUDIO_FILE) as source:

        print("Listening...")

        audio = r.record(source)  # read the entire audio file

        f.write((r.recognize_google(audio) +" "))

f.close();

这会创建根据静音分割的文件块......但我想要的是，每当音频被分割时，下一个切片从 2 秒开始，以便任何可能被剪切的单词都可能出现。就像如果沉默是在 10,13,18,22 时间那么我的切片应该是 0-10,8-13,11-18,16-22。我正在使用 pydub 根据沉默进行拆分。我可以在 pydub 中更改某些内容，还是有其他一些可以执行此操作的软件包？

Answer 1

由于每个块在静音时被分割，因此它不会有前 2 秒的数据。但是，您可以做的是，复制前一个块 (n-1) 的最后 2 秒并与下一个块 (nth) 合并，跳过第一个块。伪代码如下，n1 + n2 + n3 + ...n &nbsp; &nbsp;#audio chunks that are split on silencen1 + (<last 2 seconds of n1> + n2) + (<last 2 seconds of n2> + n3) + ...您还可以使用keep_silence来查看哪些值对您的要求有意义。另一个想法是使用&nbsp;pydub.silence.detect_nonsilent()来查找静音范围并自行决定在何处切割原始音频。我将把它留给你作为编码练习。