語音情緒識別和語音識別等語音處理任務的語音數據 振幅歸一化方法 how to normalize the amplitude of audio with python

網上找了一圈都沒有找到比較靠譜的方法, 有一篇文章提到用什麼do_pcm工具, 但是全網都沒有相關的內容, 這裏貼上一個調用pydub.effects.normalize方法進行振幅歸一化的方法. 方便後面的同學.

• 主要思想
  取一段語料中幅度最大的點將其幅度拉大到接近1，記錄拉大的比例，再將其他所有點均按這個比例拉伸。

• pydub.effects.normalize源碼

@register_pydub_effect
def normalize(seg, headroom=0.1):  # 傳入一個pydub的AudioSegment對象<class 'pydub.audio_segment.AudioSegment'>
    """
    headroom is how close to the maximum volume to boost the signal up to (specified in dB)
    headroom是多遠接近最大音量(振幅)以提升信號（以dB爲單位）
    """
    peak_sample_val = seg.max  # 計算傳入的sound的最大振幅作爲 峯值樣本振幅值
    
    # if the max is 0, this audio segment is silent, and can't be normalized
    # 如果最大值爲0，則此音頻段是靜默的，無法標準化 直接返回seg就好
    if peak_sample_val == 0:
        return seg
    
    target_peak = seg.max_possible_amplitude * db_to_float(-headroom)  # 目標峯值 = seg的最大可能振幅 * 轉化成浮點數的理論最大振幅

    needed_boost = ratio_to_db(target_peak / peak_sample_val)  # 用 目標峯值/峯值樣本振幅值 得到 浮點形式的音頻縮放比例 再用ratio_to_db方法把這個值從浮點單位轉成dB單位
    return seg.apply_gain(needed_boost)  # 調用apply_gain對seg執行needed_boost尺度的全局增益

• python調用pydub.effects.normalize進行振幅歸一化的方法

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

• 實際效果

before normalized input.wav

after normalized output.wav