audio - 使用 sox 解释音频统计

Question

我有一堆音频文件，需要根据静音和使用 SOX 拆分每个文件.但是，我意识到有些文件的背景非常嘈杂，而有些则没有，因此我无法使用一组参数来迭代所有进行拆分的文件。我试图弄清楚如何通过嘈杂的背景将它们分开。这是我从 sox input1.flac -n stat 得到的和 sox input2.flac -n stat

Samples read:          18207744
Length (seconds):    568.992000
Scaled by:         2147483647.0
Maximum amplitude:     0.999969
Minimum amplitude:    -1.000000
Midline amplitude:    -0.000015
Mean    norm:          0.031888
Mean    amplitude:    -0.000361
RMS     amplitude:     0.053763
Maximum delta:         0.858917
Minimum delta:         0.000000
Mean    delta:         0.018609
RMS     delta:         0.039249
Rough   frequency:         1859
Volume adjustment:        1.000

和

Samples read:         198976896
Length (seconds):   6218.028000
Scaled by:         2147483647.0
Maximum amplitude:     0.999969
Minimum amplitude:    -1.000000
Midline amplitude:    -0.000015
Mean    norm:          0.156168
Mean    amplitude:    -0.000010
RMS     amplitude:     0.211787
Maximum delta:         1.999969
Minimum delta:         0.000000
Mean    delta:         0.091605
RMS     delta:         0.123462
Rough   frequency:         1484
Volume adjustment:        1.000

前者不包含嘈杂的背景，后者包含。我怀疑我可以使用 Sample Mean的 Max delta因为差距大。
任何人都可以为我解释这些统计数据的含义，或者至少告诉我我可以在哪里获得它(我尝试在官方文档中查找，但他们没有解释)。非常感谢。

Answer 1

我不知道我是如何设法错过 SoX docs 中的 stat 的一直以来，它就在那里。

长度

音频文件的长度(以秒为单位)

按 缩放

输入的缩放比例。默认情况下 2^31-1，从 32 位有符号整数到 [-1, 1]

最大振幅

最大样本值

最小振幅

最小样本值

中线振幅

又名 mid-range , 最大值和最小值之间的中点。

平均范数

样本绝对值的算术平均值

平均振幅

样本值的算术平均值

RMS 幅度

root mean square , 平方值均值的根

最大增量

两个连续样本之间的最大差异

最小增量

两个连续样本之间的最小差异

平均增量

连续样本间差异的算术平均值

RMS 增量

连续样本之间差异的均方根

粗频率

估计输入文件的频率，以赫兹为单位。不确定使用的方法

音量调节

应发送到 -v 的值，因此峰值绝对幅度为 1

我个人更愿意使用 stats函数，我发现它的输出更实用。

作为区分或多或少嘈杂音频的一种措施，我会尝试使用最高和最低声级之间的差异。最安静的部分永远不会比单独的背景噪音更安静，所以如果差别很小，音频要么很吵，要么一直很响，比如 compressed pop song .您可以计算最大和最小 RMS 值之间的差异，或者峰值和最小 RMS 之间的差异。 RMS 窗口长度应该保持相当短，例如在 10 到 200 毫秒之间，如果音频具有淡入或淡出部分，则应该将其修剪掉，尽管我没有在代码中包含这些部分。

audio="input1.flac"
width=0.01

# Mixes down multi-channel files to mono
stats=$(sox "$audio" -n channels 1 stats -w $width 2>&1 |\
  grep "Pk lev dB\|RMS Pk dB\|RMS Tr dB" |\
  sed 's/[^0-9.-]*//g')

peak=$(head -n 1 <<< "$stats")
rmsmax=$(head -n 2 <<< "$stats" | tail -n 1)
rmsmin=$(tail -n 1 <<< "$stats")

rmsdif=$(bc <<< "scale=3; $rmsmax - $rmsmin")
pkmindif=$(bc <<< "scale=3; $peak - $rmsmin")

echo "
  max RMS: $rmsmax
  min RMS: $rmsmin

  diff RMS: $rmsdif
  peak-min: $pkmindif
"