使用python在音频中查找语音的速度和音调

Question

给定一个音频，我想计算一下演讲的速度。也就是说，它有多快或多慢。

目前，我正在做以下工作：

• 将语音转换为文本，并获得文字记录(使用免费工具)。
• 在成绩单中计算单词数。
• 计算文件的长度或持续时间。
• 终于，pace = (number of words in transcript / duration of file)。

然而，获得的速度的准确性完全取决于转录，我认为这是一个不必要的步骤。

有什么/sox/ffmpeg方式可以让我

• 用一种简单的方法计算音频中的说话速度/速度
• 那个声音的主要音高/音调？

我指的是：http://sox.sourceforge.net/sox.html和https://digitalcardboard.com/blog/2009/08/25/the-sox-of-silence/

Answer 1

你的方法听起来很有趣，因为它是一阶近似，但受到文本分辨率的限制.你可以直接分析音频文件。

我对Sox并不熟悉，但从手册上看，似乎stat选项提供了“.关于音频的时间和频域统计信息”

索克斯自称是“瑞士军刀的音频操纵”，只要浏览一下他们的文档，似乎适合你找到一般的节奏。

如果您也想运行音调分析，那么您可以使用python开发自己的算法--我最近使用了librosa，发现它非常有用，并且有很好的文档。