WAV文件生成异常及振幅与响度关联技术咨询

1. 两种WAV保存方式的差异原因 #

• 数据类型不匹配：scipy.io.wavfile.write对输入数组的类型有严格要求。加载已有WAV得到的数组，通常匹配原文件的位深度类型（如int16、int32或float32），修改后保存时scipy会自动沿用对应编码规则。而从零创建的numpy数组若默认使用float64类型，scipy无法正确编码，导致播放器识别失败。
• 元信息继承差异：加载的WAV自带声道数、位深度等元信息，修改后保存时这些参数会被继承。从零创建数组时，若未显式指定这些参数（比如声道数默认值不符合预期），scipy生成的WAV格式会与播放器兼容要求不符，进而无法播放。
• 数组维度错误：如果原WAV是立体声（二维数组，形状为[采样数, 2]），而从零创建的是一维单声道数组，或者维度顺序颠倒，保存后的文件声道格式不符合播放器要求，自然无法播放。

2. 振幅与响度的矛盾原因 #

• 信号持续时间过短：示例数组a=[-1,-1,1,1,-1,-1,1,1]仅含8个采样点，以16kHz采样率计算，持续时间仅0.0005秒（0.5毫秒）。人耳的听觉响应时间远长于此，根本无法捕捉到如此短暂的声音，哪怕振幅拉满也不可闻。而神经网络输出的64000个采样点对应4秒时长，足够人耳感知到噪音。
• 信号能量分布差异：神经网络输出的噪音是随机信号，能量在时间上持续分布，且包含大量人耳敏感的中高频成分；而示例信号是规律方波，不仅时长极短，且单一频率的能量集中在瞬间，无法形成持续可感知的响度。
• 振幅映射一致性问题：需确认两种场景下数组的类型是否一致。如果示例数组是float64类型，保存时scipy可能错误处理振幅映射；而神经网络输出的数组是float32或符合要求的类型，振幅能正确映射到WAV的音量范围，这也会导致感知差异。

内容的提问来源于stack exchange，提问作者Luca E