用于PCM文件的torchaudio加载- EfficientConformer

Question

我很难解析PCM文件中的音频长度。

EfficientConformer使用LibriSpeechDataset，音频文件格式是flac，但在我的例子中，我使用的是pcm文件。EfficientConformer通过这样的torchaudio提取音频长度

audio_length = torchaudio.load(DATASET_PATH)[0].size(1)

但就我的情况而言，它不适用于PCM文件，所以我尝试了不同的方法。

我所做的

先从下面的代码获取信号

signal = np.memmap(audio_path, dtype='h', mode='r').astype('float32')

if sum(abs(signal)) <= 80:
    raise ValueError('[WARN] Silence file in {0}'.format(audio_path))

return signal / 32767  # normalize audio

然后得到波形

waveform = Tensor(signal).unsqueeze(0).t()

最后在dim(1)中得到大小。

audio_length = waveform.size(1)

但它将打印1保存在终端中。

这是我的PCM数据集信息

files

• Sampling频率:16000 No

• 单通道

如何在pcm文件中获取音频长度？

Answer 1

如果您使用的是TorchAudio v0.12或更高版本，那么使用torchaudio.io.StreamReader允许直接加载PCM。

参考文献：https://pytorch.org/audio/main/tutorials/streamreader_basic_tutorial.html#headerless-media

s = StreamReader(src=PATH, format="s16le", option={"sample_rate": "16000"})
s.add_basic_audio_stream(frames_per_chunk=-1)
s.process_all_packets()
waveform, = s.pop_chunks