Python基于互相关法对比wav音频的结果解析与相似度百分比计算

原代码输出各数值含义 #

• 首行打印的corr数组：是两段音频全偏移互相关计算后，经错误归一化得到的所有偏移位置的相关系数序列。首尾1e-9量级的极小值，是音频完全不对齐位置的随机相关结果，属于无相关的噪声水平。
• Lag = 2886023：互相关峰值对应的采样点偏移量，代表把其中一段音频平移对应数量的采样点后，两段音频的重合片段匹配度最高。结合音频采样率可换算为时间偏移，例如44.1kHz采样率下该偏移约为65.4秒。
• np max= 1.0：是手动归一化操作的固定产物——代码中直接将整个互相关数组除以自身最大值，峰值位置必然被缩放为1，该值本身不代表音频相似度。
• np.min= -1.8993026：直接反映原代码归一化逻辑的错误。标准归一化互相关的取值范围固定为[-1,1]，出现小于-1的值是因为仅对正峰值做了缩放，未对负相关（波形反相）的峰值做对称归一化，该值对应某偏移位置下两段音频波形反相匹配的相关程度。
• Average of my_list is 6.37e-05：全偏移位置相关值绝对值的平均值，该值量级极小符合互相关计算的正常特征：绝大多数偏移位置两段音频完全无匹配，相关值接近0，仅峰值附近极短区间存在明显相关性。

原代码存在的问题 #

原逻辑无法输出准确的相似度结果，核心问题有三点：

• 未做音频标准化：直接用原始幅值计算互相关，结果会被音频直流偏移、整体音量大小干扰，无法反映波形实际匹配程度。
• 归一化逻辑错误：仅用互相关全局最大值做除数，导致相关值超出[-1,1]的理论区间，结果无统一参考标准。
• 未处理多声道音频：如果输入是双声道wav，读取到的是二维数组，直接计算会混合声道数据导致结果偏差。

可直接输出相似度百分比的修正实现 #

修正逻辑会自动处理声道问题，对音频做零均值单位方差标准化，采用标准归一化互相关算法计算，最终输出的相似度百分比取值范围为0%-100%，数值越高代表音频越相似。

from scipy.io import wavfile
from scipy import signal
import numpy as np

# 读取wav文件
sr_a, data_a = wavfile.read('new.wav')
sr_b, data_b = wavfile.read('result.wav')

# 双声道转单声道（取两个声道平均值）
if len(data_a.shape) > 1:
    data_a = data_a.mean(axis=1)
if len(data_b.shape) > 1:
    data_b = data_b.mean(axis=1)

# 转浮点型+标准化：消除直流偏移、音量差异对结果的影响
data_a = np.float32(data_a)
data_a = (data_a - data_a.mean()) / (data_a.std() + 1e-10)  # 加极小值避免除零错误
data_b = np.float32(data_b)
data_b = (data_b - data_b.mean()) / (data_b.std() + 1e-10)

# 计算全量互相关
corr = signal.correlate(data_a, data_b, mode='full')
# 标准能量归一化，确保相关值落在[-1, 1]区间
corr = corr / (np.sqrt(np.sum(data_a ** 2)) * np.sqrt(np.sum(data_b ** 2)))
lags = signal.correlation_lags(len(data_a), len(data_b))

# 提取相关峰值（兼容波形反相的匹配场景）
max_pos_corr = np.max(corr)
max_neg_corr = np.min(corr)
peak_corr = max_pos_corr if abs(max_pos_corr) > abs(max_neg_corr) else max_neg_corr
best_lag = lags[np.argmax(np.abs(corr))]

# 计算相似度百分比
similarity = abs(peak_corr) * 100

print(f"最佳匹配偏移: {best_lag} 采样点，对应时间偏移: {abs(best_lag)/sr_a:.2f} 秒")
print(f"互相关峰值系数: {peak_corr:.4f}")
print(f"两段音频相似度: {similarity:.2f}%")

相似度结果参考判定标准：

• 90%及以上：高度相似，基本为同一音频内容
• 60%-89%：较高相似，通常是同一内容经过压缩、加噪、轻微音量/音调调整后的结果
• 30%-59%：低相似度，仅存在少量音频特征重合
• 30%以下：基本无相似性

内容的提问来源于stack exchange，提问作者Madhushika Niroshanee