如何从.wav音频文件提取RTTM格式文件？Python代码执行失败求助

你的代码没法生成RTTM文件，核心问题出在sox根本不支持从WAV音频直接生成RTTM文件。RTTM是记录说话人分割结果的标注格式，而sox只是个通用音频处理工具，没有说话人识别/分割的能力——它的-rttm参数是用来读取RTTM文件、对音频做分割用的，不是用来输出RTTM的。

除了这个核心问题，你还可以排查这些细节：

• 没检查subprocess的执行状态：换成subprocess.check_call代替subprocess.call，如果sox执行出错会直接抛异常，方便定位问题
• sox未安装或未加入系统环境变量：在终端执行sox --version确认能否正常调用
• 输出路径无写入权限：确保output_path所在的文件夹允许写入
• WAV文件路径错误：确认wav_path指向的是真实存在、可正常读取的WAV文件

正确的解决方案：用专门的说话人分割库 #

要生成RTTM文件，得用具备说话人分割能力的工具，比如pyannote.audio，这是专门做该任务的库。

步骤1：安装依赖

pip install pyannote.audio

步骤2：准备Hugging Face令牌

到Hugging Face平台申请访问令牌，并同意pyannote相关预训练模型的使用协议。

步骤3：修改代码

import os
from pyannote.audio import Pipeline

def extract_rttm_file(wav_path):
    """从WAV文件生成RTTM格式的说话人分割文件"""
    output_path = os.path.splitext(wav_path)[0] + ".rttm"
    
    # 初始化说话人分割管道
    pipeline = Pipeline.from_pretrained(
        "pyannote/speaker-diarization-3.1",
        use_auth_token="你的Hugging Face令牌"
    )
    
    # 执行说话人分割
    diarization = pipeline(wav_path)
    
    # 将结果写入RTTM文件
    with open(output_path, "w") as rttm_file:
        diarization.write_rttm(rttm_file)
    
    return output_path

注意事项

• 把代码里的"你的Hugging Face令牌"替换为你实际申请的令牌
• pyannote/speaker-diarization-3.1是当前效果较好的预训练模型，你也可以根据需求选择其他模型
• 该库支持批量处理，还能调整模型参数优化分割结果

内容的提问来源于stack exchange，提问作者Lahfir