如何用Python识别特定蜂鸣声？录音处理后长度短于原音频？

免责声明：由于我刚接触音频处理领域，若有疏漏还请见谅。

我有一个纯蜂鸣声的wav文件，希望编写Python程序通过麦克风监听，每次检测到该蜂鸣声时执行操作（如打印“heard”）。

我录制了带有首尾静音的该蜂鸣声以贴近真实场景，随后执行了以下代码：

import noisereduce as nr
import librosa
import matplotlib.pyplot as plt
import numpy as np


# OG Loading
ogAudio, sampling_rate = librosa.load('.\\Beep.wav')

recordAudio, sampling_rate = librosa.load('.\\OneBeepRecord.wav')
noisy_part = recordAudio[0:25000]
reducedRecord = nr.reduce_noise(recordAudio, sampling_rate, False, noisy_part)
trimmedRecord, index = librosa.effects.trim(reducedRecord, top_db=35, frame_length=512, hop_length=64)

我选择top_db=35是因为处理后的结果形状最接近ogAudio的形状。

我原本打算用相关系数对比音频，但发现两者ndarray形状不同：
执行print(ogAudio.shape, trimmedRecord.shape)返回：
(2981,) (2944,)

可视化结果中，蓝色为ogAudio，橙色为trimmedRecord。

请问是否可能出现录音片段实际短于原音频的情况？

解答 #

当然有可能，主要有几个常见原因：

• 录音触发时机偏差：不管是手动还是自动触发录音，都可能出现延迟启动或提前停止的情况，导致实际录到的蜂鸣片段比原音频短。
• 音频处理的修剪损耗：你使用的librosa.effects.trim会根据top_db阈值裁剪掉音量低于设定值的部分，如果原蜂鸣的首尾音量刚好低于35dB，就会被剪掉；再加上之前的降噪处理可能削弱了蜂鸣边缘的音量，进一步加剧了修剪程度，最终得到的片段自然更短。
• 设备采样的细微误差：哪怕加载时指定了相同的采样率，实际录制设备的采样率可能和原音频的采样率存在微小偏差，经过加载和处理后，也会导致两段音频的长度出现差异。

如果要解决长度不匹配的问题，可以尝试这些方法：

1. 调低top_db的数值（比如25或30），避免过度修剪蜂鸣的首尾部分；
2. 对较短的音频片段进行补零操作，让两者长度一致后再计算相关系数；
3. 改用滑动窗口的模板匹配方法，无需要求两段音频长度完全相同，就能检测出是否匹配。

内容的提问来源于stack exchange，提问作者Erez Avior