如何将Flask请求的FileStorage转换为16kHz单声道numpy ndarray？

直接上可运行的实现方案，两种方式任选：

方案1：用librosa（推荐，兼容多数音频格式） #

librosa可以直接读取类文件对象，同时自动完成单声道转换和重采样，对MP3、WAV等格式兼容性好（需依赖ffmpeg）。

先安装依赖：

pip install librosa numpy

补全你的代码：

from flask import Flask, request
import librosa
from io import BytesIO

app = Flask(__name__)

@app.route('/api/transcribe', methods=['POST'])
def transcribe():
    if 'audioFile' not in request.files:
        return 'No audio file provided', 400
    file = request.files['audioFile']
    
    # 将FileStorage转为BytesIO类文件对象
    audio_io = BytesIO(file.read())
    # 读取并转成16kHz单声道的ndarray
    audio_array, _ = librosa.load(audio_io, sr=16000, mono=True)
    
    # 此处编写你的ASR转录逻辑，audio_array就是所需输入
    # ...
    
    return 'Transcription processed', 200

方案2：用soundfile+resampy（适合无压缩音频） #

如果只处理WAV这类无压缩格式，用soundfile更轻量，配合resampy完成重采样。

安装依赖：

pip install soundfile numpy resampy

代码实现：

from flask import Flask, request
import numpy as np
import soundfile as sf
import resampy
from io import BytesIO

app = Flask(__name__)

@app.route('/api/transcribe', methods=['POST'])
def transcribe():
    if 'audioFile' not in request.files:
        return 'No audio file provided', 400
    file = request.files['audioFile']
    
    audio_io = BytesIO(file.read())
    # 读取原始音频数据和采样率
    data, sr = sf.read(audio_io)
    
    # 转单声道：立体声取均值合并
    if data.ndim > 1:
        data = np.mean(data, axis=1)
    
    # 重采样到16000Hz
    if sr != 16000:
        data = resampy.resample(data, sr, 16000)
    
    # data就是16kHz单声道的ndarray，用于ASR
    # ...
    
    return 'Transcription processed', 200

注意事项 #

• 若用soundfile处理MP3等压缩格式，需确保系统安装支持对应格式的libsndfile版本；librosa依赖ffmpeg，安装后可处理绝大多数常见音频格式。
• 不要直接传入file对象给音频库，先转成BytesIO再读取，避免文件对象兼容性问题。

内容的提问来源于stack exchange，提问作者arm