我正在使用 FMOD 开发一个应用程序，当用户单击“下一个/上一个”按钮时，该应用程序将立即从包含语音但没有音乐的 MP3 文件的开头开始播放下一个/上一个句子的录音。我通过调用Sound::lock得到了一个mp3文件的PCM数据，但是Sound::getFormat只告诉我是“16bit integer PCM data”，没有说是否它是签名的或未签名的。我怎么会知道？
网上有些文章说几乎所有的16位整数PCM数据都是有符号的。如果我的 PCM 数据是有符号，什么范围的值表示静音，接近 0 的值（例如 -10 ~ 10）或接近 -32768 的值（例如 -32768 ~ -32750）？如果它们是接近 0 的值，这是否意味着相反的数字（如 -32767 和 32767）在含义上没有区别？
我需要检测足够长的静音，例如超过 500 毫秒，以确定语音中每个句子的开始位置。
谁能给我任何关于如何检测句子之间的沉默的建议？
【问题讨论】：
标签： audio signal-processing pcm fmod
按照惯例，16 位音频通常是有符号的。
想一想 PCM 音频是什么：每个衡量标准都是扬声器在该时刻物理上应该沿其轴放置多远。因此，完全静音绝对是任何重复值——代表说话者不动。
0 是范围的中心，通常是麦克风应该没有输入的位置。 -32768 是扬声器尽可能靠近其轴的一端，32767 是在另一端。
检测静音的最安全方法是在相关范围内运行频谱分析，并寻找在任何可听频率范围内没有活动的时段。
如果您正在寻找语音之间的停顿，那么最简单的方法可能是转到this 之类的地方，插入可接受的语音频率范围（在电话中被认为是 300Hz 到 3500Hz 左右），您的采样率以及您认为可以承受的许多乘法。复制提供的系数。例如。我假设您将使用 44100Hz 输入在语音范围内进行 37 次抽头，然后转换为 C 数组，我得到：
double coefficients[] = {
-0.000560, -0.001290, -0.002332, -0.003606, -0.004911, -0.005921, -0.006201,
-0.005256, -0.002610, 0.002106, 0.009059, 0.018139, 0.028924, 0.040691, 0.052479,
0.063203, 0.071794, 0.077351, 0.079274, 0.077351, 0.071794, 0.063203, 0.052479,
0.040691, 0.028924, 0.018139, 0.009059, 0.002106, -0.002610, -0.005256, -0.006201,
-0.005921, -0.004911, -0.003606, -0.002332, -0.001290, -0.000560};
如果是double 输入，那么对于每个输入样本c，我会计算一个采样值：
double *inputWave = ... input, an infinite array for the purposes of the example ...
double sampledValue = 0.0;
for(size_t coeff = 0; coeff < numberOfTaps; coeff++) {
sampledValue += coefficients[coeff] * inputWave[c + coeff];
}
// (where numberOfTaps = sizeof(coefficients) / sizeof(coefficients[0]),
// i.e. the number of coefficients: 37 with the array given above)
然后我得到的是带通滤波器。只有在 300-3500Hz 频率范围内代表声音的那部分信号应该保留在输出值中。在现实生活中，没有这样的过滤器是完美的。增加系数的数量以提高过滤器的质量。
剪掉信号中不相关的部分后，我可以寻找长时间的sampledValue = [close to] 0.0。
【讨论】：
令人惊讶的是，如果我创建 8 位格式的 directsound 声音缓冲区，directsound 预计我的机器上的样本是 8 位已签名 (-127 - 127)，而当我创建 16 位缓冲区时，directsound 预计它们是 16 位未签名 (0 - 65535)。所以至少在我的机器上，标准似乎与汤米的答案相反。
【讨论】：