Python：将语音与空音频记录区分开来答案

【问题标题】：Python: setting apart speech from empty audio recordsPython：将语音与空音频记录区分开来
【发布时间】：2018-09-03 21:45:28
【问题描述】：

我正在尝试编写一个 Python-3.6 脚本，它将空的 .aif 音频记录（即仅包含环境噪声）与包含语音的那些分开。我的目标是不识别语音内容 - 首先，它不是英语，其次，我的目的不需要它。

尽管如此，我没有发明出比使用 SpeechRecognition 和 pocketsphinx 更好的方法来解决这个问题。我的想法很原始：

        import speech_recognition as sr

        r = sr.Recognizer()
        emptyRecords = []
        for fname in os.listdir(TESTDIR):
            with sr.AudioFile(TESTDIR + fname) as source:
                recorded = r.record(source)
                recognized = r.recognize_sphinx(recorded)
            if len(recognized) <= 10:
                print("{} seems to be an empty record.".format(fname))
                emptyRecords.append(fname)

也就是说，我尝试将录制的音频转换为字符串列表，并根据 10 个单词的“直观”阈值分隔这些列表，因为有时 pocketsphinx 将背景噪声识别为几个感叹词的稀疏序列。然而，由于不必要的语音识别过程，这花费了非常长的时间——对于每条记录，我只需要检查它是否包含超过 10 个单词，仅此而已。据我从 SpeechRecognition 的文档中了解到，Recognizer 类不包含任何会限制要识别的单词数量的属性或方法。

有人可以为这个问题提出一个更好的主意吗？

提前致谢。

【问题讨论】：

标签： python anaconda speech-recognition pocketsphinx

【解决方案1】：

试试 webrtcvad 库。设置攻击性模式并使用您记录的数据进行测试。

https://pypi.org/project/webrtcvad/

【讨论】：

非常感谢您的回复，这个库解决了我的问题。

【解决方案2】：

您可以使用 STFT（短时间傅里叶变换）

获取信号中的总能量并将其与位于人声范围（300 Hz 至 3000 Hz）内的能量进行比较。 (https://en.wikipedia.org/wiki/Short-time_Fourier_transform)

这里是一个使用numpy的简单stft，fft大小为1024，你可以用https://github.com/JPabloVasquez/SimpleAudioTools

【讨论】：

感谢您的回复，我也会尝试您的解决方案，虽然 webrtcvad 已经解决了我的问题。