如何用Python裁剪WAV录音首尾的静音片段？

问题 #

需要移除WAV格式录音首尾的静音片段，仅保留中间的语音部分（无需处理语音中间的静音）。此前尝试用窗口大小100、阈值1100的移动平均法定位起始点，但反向处理结束点时失败。要求方案无需硬编码阈值、不引入语音识别库，尽可能简洁。

解决方案 #

核心思路是利用音频信号的统计特性自动生成静音阈值，结合滑动窗口平滑信号，双向遍历定位有效语音边界：

1. 计算音频的绝对振幅，过滤静音区域的低振幅信号
2. 用滑动窗口做局部均值平滑，避免单个脉冲干扰边界判断
3. 基于整体信号的中位数和标准差自动计算静音阈值，适配不同录音的噪音水平
4. 从前向后找第一个超过阈值的位置作为起始点，从后向前找最后一个超过阈值的位置作为结束点

完整代码实现 #

import wave
import numpy as np

def trim_silence(filename, window_size=1024, std_multiplier=1.5):
    # 读取WAV文件参数与信号
    with wave.open(filename, "rb") as wav_in:
        params = wav_in.getparams()
        n_channels, sampwidth, framerate, n_frames = params[:4]
        signal = np.frombuffer(wav_in.readframes(n_frames), dtype=np.int16)
    
    # 多声道转单声道
    if n_channels > 1:
        signal = signal.reshape(-1, n_channels).mean(axis=1).astype(np.int16)
    
    # 计算绝对振幅与滑动窗口平滑
    abs_signal = np.abs(signal)
    smoothed = np.convolve(abs_signal, np.ones(window_size)/window_size, mode='same')
    
    # 自动计算静音阈值
    median = np.median(smoothed)
    std = np.std(smoothed)
    threshold = median + std_multiplier * std
    
    # 定位起始与结束点
    start_idx = np.argmax(smoothed > threshold)
    end_idx = len(smoothed) - np.argmax(smoothed[::-1] > threshold)
    
    # 截取并保存处理后的音频
    trimmed_signal = signal[start_idx:end_idx]
    output_filename = f"trimmed_{filename}"
    with wave.open(output_filename, "wb") as wav_out:
        wav_out.setparams(params)
        wav_out.writeframes(trimmed_signal.tobytes())
    
    print(f"处理完成，输出文件：{output_filename}")
    return output_filename

# 调用示例
trim_silence("my_recd.wav")

关键说明 #

• 自动阈值：用中位数加1.5倍标准差作为阈值，无需手动设置，适配不同环境的录音噪音
• 滑动窗口：默认窗口大小1024（对应约23ms@44.1kHz），平衡平滑效果与边界精度
• 双向定位：通过反转信号解决反向处理结束点的问题，确保首尾静音都被准确移除
• 多声道兼容：自动处理立体声等多声道录音，转为单声道后再判断边界

内容的提问来源于stack exchange，提问作者Ijaz Ahmed