如何将WAV文件读取为shape=(12,)的np.ndarray？

问题分析 #

你当前读取的WAV文件是双声道音频，输出的data形状为(N, 2)（N为音频采样点数，远大于12），需要先处理声道，再将数据转换为12维的一维数组。

步骤1：将多声道转为单声道 #

首先把双声道音频转为单声道，可选两种方式：

• 取其中一个声道
• 对双声道数据求均值

代码示例：

from scipy.io.wavfile import read
import numpy as np

samplerate, data = read("./music/audio1.wav")
# 方式1：取第一个声道
mono_data = data[:, 0]
# 方式2：对双声道取均值
# mono_data = np.mean(data, axis=1)

步骤2：提取12维音频特征（推荐方案） #

直接截取原始音频的12个采样点没有实际音频语义，推荐提取12维梅尔频率倒谱系数（MFCC），这是音频任务中常用的固定维度特征，刚好符合shape=(12,)的要求。需要使用librosa库（未安装的话执行pip install librosa）。

完整代码：

import librosa
import numpy as np

# 读取音频，自动转为单声道并指定采样率
y, sr = librosa.load("./music/audio1.wav", sr=44100, mono=True)
# 提取12维MFCC特征，对时间轴取均值得到单条12维特征
mfcc_features = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=12)
X = np.mean(mfcc_features, axis=1)

print(X.shape)  # 输出 (12,)

步骤3：单纯满足形状要求的备选方案 #

如果仅需要满足形状要求、不需要音频语义，可以直接对单声道数据进行截断或均匀采样：

# 取前12个采样点
X = mono_data[:12].flatten()
# 或者从整个音频中均匀采样12个点
X = np.linspace(mono_data[0], mono_data[-1], 12)

print(X.shape)  # 输出 (12,)

内容的提问来源于stack exchange，提问作者tyfreed