提取FLAC音频转float32数组异常及梅尔频谱报错求助

核心问题1：音频数据解码错误 #

你用ffmpeg输出的是s32le格式（32位有符号小端整数），但直接用np.frombuffer(audio, np.float32)解析，导致二进制数据被错误解释，产生NaN和极端数值——这是引发后续librosa错误的根本原因。

修复代码：

cmd = (
    ffmpeg
    .input(video_path, ss=start, t=end-start)
    .output("pipe:", ac=1, ar=sampling_rate, format="s32le")
)

audio, _ = cmd.run(capture_stdout=True, quiet=True)

# 先按32位有符号整数解析，再归一化到[-1.0, 1.0]的float32范围
audio_int32 = np.frombuffer(audio, np.int32)
audio = audio_int32.astype(np.float32) / 2**31

核心问题2：librosa参数错误 #

调用melspectrogram时存在两个明显问题：

1. window=25参数无效：window接受窗口函数（如'hann'）或数组，不是整数。如果要设置窗口长度，需用n_fft参数（建议设为2的幂次，比如n_fft=256，符合音频处理常规）。
2. FutureWarning提示需用关键字参数传递音频数据，避免后续版本报错。

修复后的librosa调用代码：

mel_spec = librosa.feature.melspectrogram(
    y=audio,
    sr=16000,
    hop_length=10,
    n_mels=128,
    n_fft=256,
    window='hann'
)

额外验证步骤 #

修复后可先检查音频数组是否正常：

print("音频数组是否含NaN:", np.isnan(audio).any())
print("音频数组极值范围:", audio.min(), audio.max())
# 正常情况下极值应在[-1.0, 1.0]之间，且无NaN

内容的提问来源于stack exchange，提问作者Shreya Gupta