如何在Python中将AudioData转为二进制格式？音频LCS实现求助

一、直接转0/1二进制的不可行性 #

直接将AudioData实例转为0和1组成的列表来执行LCS等操作并不可行：

• 原始音频采样数据是多位数数值（比如16位PCM格式为-32768到32767的整数），并非天然的0/1二进制序列，强行转换会丢失几乎所有声学特征。
• 原始采样序列长度极大（44.1kHz采样率下1秒就有44100个采样点），直接做LCS的时间复杂度会高到无法实用。

二、可行的实现方案 #

要计算两段音频的最长公共部分，需先提取音频的特征化序列，再用针对性算法做匹配，具体步骤如下：

1. 从AudioData获取原始采样数据 #

通过speech_recognition的AudioData方法提取原始音频数据，再解析为可处理的采样数组：

import speech_recognition as sr
import numpy as np
from scipy.io import wavfile

# 获取麦克风输入的AudioData
r = sr.Recognizer()
with sr.Microphone() as source:
    audio = r.listen(source)

# 转成WAV字节数据并解析为采样率、采样数组
wav_data = audio.get_wav_data()
with open("temp.wav", "wb") as f:
    f.write(wav_data)
sample_rate, samples = wavfile.read("temp.wav")
# 立体声转单声道（如果需要）
if len(samples.shape) > 1:
    samples = samples.mean(axis=1)

2. 提取音频特征（替代原始0/1序列） #

推荐提取MFCC特征（梅尔频率倒谱系数），这是语音领域常用的特征，能有效浓缩音频的声学信息：

from python_speech_features import mfcc

# 提取MFCC特征，numcep为特征维度，通常取13
mfcc_features = mfcc(samples, samplerate=sample_rate, numcep=13)
# 归一化特征，提升匹配稳定性
mfcc_features = (mfcc_features - np.mean(mfcc_features)) / np.std(mfcc_features)

3. 计算最长公共音频片段 #

不用LCS，改用**动态时间规整（DTW）**算法，专门适配长度不同的时间序列匹配，能找到两段音频的最优对齐并提取最长公共部分：

import librosa

# 假设已获取第二段音频的MFCC特征mfcc_features2
# 计算DTW代价矩阵与对齐路径
cost_matrix, path = librosa.sequence.dtw(mfcc_features.T, mfcc_features2.T, metric='euclidean')

# 从对齐路径中提取最长连续匹配的帧长度
max_match_frames = 0
current_frames = 0
for i in range(1, len(path)):
    # 判定路径是否连续（相邻帧均匹配）
    if path[i][0] == path[i-1][0] + 1 and path[i][1] == path[i-1][1] + 1:
        current_frames += 1
        max_match_frames = max(max_match_frames, current_frames)
    else:
        current_frames = 0

# 转换为实际时间长度（MFCC帧移通常为10ms）
frame_shift = 0.01
max_match_time = max_match_frames * frame_shift
print(f"最长公共音频片段长度：{max_match_time:.2f}秒")

三、替代思路（若偏好类LCS逻辑） #

如果一定要用类似序列匹配的思路，可以先对原始采样数据做量化处理：

• 将采样值划分为若干区间（比如把-32768到32767分为10个区间），每个区间对应一个符号（如0-9）。
• 把采样数组转为符号序列后，再执行LCS算法。但这种方法的特征丢失率高，匹配精度远低于MFCC+DTW方案。

内容的提问来源于stack exchange，提问作者Surya Majumder