ffmpeg - 音频文件的 "precision"在训练 ASR 系统期间是否重要？

Question

我正在通过 torchaudio 将 8 kHz 的音频文件重新采样为 16 kHz。
原始文件的示例:

Stream #0:0: Audio: pcm_s16le ([1][0][0][0] / 0x0001), 8000 Hz, 1 channels, s16, 128 kb/s

重采样后变成:

Stream #0:0: Audio: pcm_f32le ([3][0][0][0] / 0x0003), 16000 Hz, 1 channels, flt, 512 kb/s

所以精度已经改为 pcm_f32le .
我想知道这对 ASR 系统的训练是否重要。

Answer 1

实际上，Kaldi's doc说“目前仅支持 KSDATAFORMAT_SUBTYPE_PCM。”这使得 pcm_f32le (KSDATAFORMAT_SUBTYPE_IEEE_FLOAT 类型)不兼容。因此，仅以 PCM 格式保存:

torchaudio.save(path, waveform, sample_rate, encoding="PCM_S", bits_per_sample=16)

如果您想提高音频精度，只需增加 bits_pers_sample (在 PCM_S 编码中)。
至于您的实际问题，它很可能取决于您的数据集。所以也许尝试两种方法并选择性能更好的方法？