PyTorch中torchaudio.load加载的波形是否为原始PCM音频数据？

• 你通过torchaudio.load获取到的波形不是.ogg文件中存储的原始字节数据，也不是文件原生存储的PCM数据。
• 具体原理：.ogg属于有损压缩的音频容器格式（通常封装Vorbis编码的音频流），文件内部存储的是经过压缩编码的音频帧，不存在直接存储的PCM字节。torchaudio.load在加载时会自动调用后端解码器完成压缩格式解码，返回的是归一化到[-1, 1]区间的浮点型张量，对应解码重建后的音频振幅序列——本质是PCM调制对应的振幅值，但做了浮点归一化处理，不是整数型的原始PCM字节流。

首先明确前提：所有从.ogg这类有损压缩格式中得到的PCM，都是解码重建后的结果，和音频录制时生成的未压缩原始PCM存在编码失真，这是有损压缩的固有特性，无法逆转。
根据你需要的PCM格式，可选择对应实现方式：

• 场景1：深度学习训练/推理用的PCM振幅序列
  你直接拿到的torchaudio.load返回值就是可用的浮点型PCM序列，不需要额外解码。如果需要整数格式的PCM数值，根据目标位深反归一化即可，以最常用的16位PCM为例：

  import torchaudio
  waveform, sample_rate = torchaudio.load("your_audio.ogg")
  # 转换为16位有符号整数型PCM
  pcm_16bit = (waveform * 32767).to(torch.int16)
  

• 场景2：提取无封装头的裸PCM字节流/文件
  方法一：基于PyTorch生态直接转换，不需要额外依赖：

  import torchaudio
  waveform, sr = torchaudio.load("your_audio.ogg")
  pcm_16bit = (waveform * 32767).to(torch.int16)
  # 转为PCM原始字节
  pcm_raw_bytes = pcm_16bit.numpy().tobytes()
  # 写入裸PCM文件
  with open("output.pcm", "wb") as f:
      f.write(pcm_raw_bytes)
  

  方法二：通过ffmpeg命令行直接提取，适合批量处理场景：

  ffmpeg -i input.ogg -f s16le -acodec pcm_s16le output.pcm
  

  上述命令会提取16位小端有符号整数格式的裸PCM数据，输出文件不带任何音频容器头信息。

补充说明：如果你加载的是未压缩的wav格式（存储原生PCM数据），torchaudio.load默认依然会返回归一化的浮点张量，不会直接返回文件内存储的整数PCM字节，需要PCM整数时同样用上述反归一化方法转换即可。

内容的提问来源于stack exchange，提问作者Slim Shady