java - 将原始 PCM 数据转换为 RIFF WAV

Question

我正在尝试将原始音频数据从一种格式转换为另一种格式，以便进行语音识别。

• 音频是从 Discord 接收的服务器以20ms block 的格式:48Khz，16位立体声签名BigEndian PCM。
• 我正在使用CMU's Sphinx用于语音识别，它将音频作为 RIFF(little-endian)WAVE 音频、16 位、单声道 16,000Hz 中的 InputStream

音频数据以 byte[] 形式接收，长度为 3840。此 byte[] 数组包含上述格式 1 的 20ms 音频。这意味着该音频的 1 秒为 3840 * 50，即 192,000。也就是说每秒 192,000 个样本。这是有道理的，48KHz 采样率乘以 2(96K 样本)，因为一个字节是 8 位，而我们的音频是 16 位，再乘以 2 即可获得立体声。所以48,000 * 2 * 2 = 192,000。

因此，每次收到音频数据包时，我都会首先调用此方法:

private void addToPacket(byte[] toAdd) {
    if(packet.length >= 576000 && !done) {
        System.out.println("Processing needs to occur...");
        getResult(convertAudio());
        packet = null; // reset the packet
        return;
    }

    byte[] newPacket = new byte[packet.length + 3840];
    // copy old packet onto new temp array
    System.arraycopy(packet, 0, newPacket, 0, packet.length);
    // copy toAdd packet onto new temp array
    System.arraycopy(toAdd, 0, newPacket, 3840, toAdd.length);
    // overwrite the old packet with the newly resized packet
    packet = newPacket;
}

这只会将新数据包添加到一个大字节 [] 上，直到该字节 [] 包含 3 秒的音频数据(576,000 个样本，或 192000 * 3)。 3 秒的音频数据足以(只是猜测)来检测用户是否说出了机器人的激活热词，例如“嘿计算机”。以下是我转换声音数据的方法:

    private byte[] convertAudio() {
        // STEP 1 - DROP EVERY OTHER PACKET TO REMOVE STEREO FROM THE AUDIO
        byte[] mono = new byte[96000];
        for(int i = 0, j = 0; i % 2 == 0 && i < packet.length; i++, j++) {
            mono[j] = packet[i];
        }

        // STEP 2 - DROP EVERY 3RD PACKET TO CONVERT TO 16K HZ Audio
        byte[] resampled = new byte[32000];
        for(int i = 0, j = 0; i % 3 == 0 && i < mono.length; i++, j++) {
            resampled[j] = mono[i];
        }

        // STEP 3 - CONVERT TO LITTLE ENDIAN
        ByteBuffer buffer = ByteBuffer.allocate(resampled.length);
        buffer.order(ByteOrder.BIG_ENDIAN);
        for(byte b : resampled) {
            buffer.put(b);
        }
        buffer.order(ByteOrder.LITTLE_ENDIAN);
        buffer.rewind();
        for(int i = 0; i < resampled.length; i++) {
            resampled[i] = buffer.get(i);
        }

        return resampled;
    }

最后，尝试识别该语音:

private void getResult(byte[] toProcess) {
    InputStream stream = new ByteArrayInputStream(toProcess);
    recognizer.startRecognition(stream);
    SpeechResult result;
    while ((result = recognizer.getResult()) != null) {
        System.out.format("Hypothesis: %s\n", result.getHypothesis());
    }
    recognizer.stopRecognition();
}

我遇到的问题是 CMUSphinx 不会崩溃或提供任何错误消息，它只是每 3 秒提出一个空假设。我不太清楚为什么，但我的猜测是我没有正确转换声音。有任何想法吗？任何帮助将不胜感激。

Answer 1

因此，实际上有一个更好的内部解决方案用于从 byte[] 转换音频。

以下是我发现效果非常好的方法:

        // Specify the output format you want
        AudioFormat target = new AudioFormat(16000f, 16, 1, true, false);
        // Get the audio stream ready, and pass in the raw byte[]
        AudioInputStream is = AudioSystem.getAudioInputStream(target, new AudioInputStream(new ByteArrayInputStream(raw), AudioReceiveHandler.OUTPUT_FORMAT, raw.length));
        // Write a temporary file to the computer somewhere, this method will return a InputStream that can be used for recognition
        try {
            AudioSystem.write(is, AudioFileFormat.Type.WAVE, new File("C:\\filename.wav"));
        } catch(Exception e) {}