使用TensorFlow音频分类器遇格式错误：转RIFF/RIFX还是改代码？

问题描述 #

我在遵循TensorFlow音频分类教程时，将教程中的鸟类声音数据集替换为自己在Mac上录制的小型音频数据集后，运行代码：

random_audio = get_random_audio_file()
show_bird_data(random_audio)

出现错误（错误截图：）。已在多个技术平台查找解决方案无果，想咨询是否需要将所有.wav音频文件转换为RIFF或RIFX格式，或是有修改代码以兼容现有音频文件的方法。

解决方案建议 #

1. 排查并转换音频格式 #

Mac自带工具录制的音频常以AIFF格式存储（可能仍标.wav后缀），而TensorFlow Model Maker音频模块优先支持RIFF格式WAV。

• 验证格式：用ffmpeg -i your_audio.wav查看文件编码信息，确认是否为RIFF格式。
• 批量转换：用ffmpeg生成标准RIFF格式WAV：

  ffmpeg -i input.wav -c:a pcm_s16le output.wav
  

  该命令会生成16位PCM编码的RIFF WAV，完全兼容TensorFlow音频处理流程。

2. 修改代码兼容非RIFF格式 #

若不想转换文件，可替换音频加载逻辑，用librosa兼容更多格式：

import librosa
import tensorflow as tf

def load_custom_audio(file_path):
    # 指定采样率与教程保持一致（通常为16000）
    audio, sr = librosa.load(file_path, sr=16000)
    # 转换为TensorFlow所需格式
    audio_tensor = tf.convert_to_tensor(audio, dtype=tf.float32)
    return audio_tensor, sr

之后修改show_bird_data函数中的音频加载部分，调用上述自定义函数即可。

3. 统一音频参数 #

确保自定义音频的采样率、声道数与教程要求一致（通常为16kHz单声道）：

• 若Mac录制的是44.1kHz立体声，用ffmpeg转换：

  ffmpeg -i input.wav -ar 16000 -ac 1 output.wav
  

内容的提问来源于stack exchange，提问作者LCM