Python低依赖检测长音频中短片段时间位置的最简方法

方案适配场景 #

针对Ableton Live无法导出带变速信息MIDI的问题，该方案可直接识别渲染得到的长节拍器WAV文件，区分不同音色的重拍、普通拍、分拍采样，自动生成带BPM变化、拍号变化的MIDI文件，输出结果可直接用于Clone Hero谱面制作。

• 依赖仅包含numpy（轻量数值计算）、mido（纯Python MIDI处理），WAV读取直接使用Python标准库wave，无librosa、pytorch等重型音频/AI依赖
• 逻辑全程走时域匹配，无复杂频谱变换，代码量极小，可按需修改
• 相比零交叉检测方案，可精准区分不同音色的节拍点，对轻微底噪、音量波动的鲁棒性更强

核心实现逻辑 #

1. 音频读取：统一将长节拍器音频、所有单节拍采样（小节重拍、四分音符拍、八分音符分拍）转为单声道归一化numpy数组，对齐采样率
2. 节拍匹配：用滑动窗口余弦相似度匹配，遍历长音频查找所有和短采样音色一致的片段，记录对应时间点和节拍类型，匹配过的区间直接跳过避免重复检测
3. 信息计算：将所有检测到的节拍点按时间排序，相邻四分音符/重拍的时间差计算瞬时BPM，相邻两个重拍之间的四分音符数量自动识别拍号
4. MIDI导出：将计算得到的BPM转成MIDI标准tempo事件、拍号转成对应元事件，按时间顺序写入MIDI轨道即可

最小可运行代码 #

import wave
import numpy as np
import mido
from mido import MidiFile, MidiTrack, MetaMessage

def read_wav(file_path):
    """读取WAV文件为单声道归一化numpy数组，返回(音频数组, 采样率)"""
    with wave.open(file_path, "rb") as f:
        samp_rate = f.getframerate()
        total_frames = f.getnframes()
        raw_audio = np.frombuffer(f.readframes(total_frames), dtype=np.int16).astype(np.float32)
        # 转单声道
        if f.getnchannels() == 2:
            raw_audio = raw_audio.reshape(-1, 2).mean(axis=1)
        # 幅值归一化
        return raw_audio / np.max(np.abs(raw_audio)), samp_rate

def detect_onsets(long_audio, target_sample, samp_rate, threshold=0.9):
    """在长音频中匹配所有目标采样的出现位置，返回时间点列表（单位：秒）"""
    onset_times = []
    sample_len = len(target_sample)
    cursor = 0
    step = int(samp_rate * 0.01)  # 每次滑动10ms，平衡检测速度和精度
    while cursor < len(long_audio) - sample_len:
        window = long_audio[cursor:cursor+sample_len]
        # 计算窗口和目标采样的余弦相似度
        similarity = np.dot(window, target_sample) / (np.linalg.norm(window) * np.linalg.norm(target_sample) + 1e-8)
        if similarity > threshold:
            onset_times.append(cursor / samp_rate)
            cursor += sample_len  # 跳过已匹配的采样长度，避免重复检测
        else:
            cursor += step
    return onset_times

if __name__ == "__main__":
    # 1. 读取所有音频文件
    full_metronome_audio, sr = read_wav("full_metronome.wav")
    downbeat_sample, _ = read_wav("downbeat.wav")    # 小节起始重拍采样
    beat_sample, _ = read_wav("quarter_beat.wav")    # 四分音符节拍采样
    eighth_sample, _ = read_wav("eighth_beat.wav")   # 八分音符分拍采样

    # 2. 检测所有类型的节拍点
    downbeat_times = detect_onsets(full_metronome_audio, downbeat_sample, sr)
    beat_times = detect_onsets(full_metronome_audio, beat_sample, sr)
    eighth_times = detect_onsets(full_metronome_audio, eighth_sample, sr)

    # 合并所有事件：格式为(时间秒, 类型) 类型0=重拍,1=四分拍,2=八分拍
    all_events = sorted(
        [(t, 0) for t in downbeat_times] +
        [(t, 1) for t in beat_times] +
        [(t, 2) for t in eighth_times]
    )

    # 3. 生成带速度、拍号信息的MIDI文件
    midi_file = MidiFile(ticks_per_beat=480)
    tempo_track = MidiTrack()
    midi_file.tracks.append(tempo_track)

    last_event_time = 0
    last_beat_time = None
    beat_count_after_downbeat = 0
    default_tempo = mido.bpm2tempo(120)

    for event_time, event_type in all_events:
        time_delta = event_time - last_event_time
        tick_delta = int(mido.second2tick(time_delta, 480, default_tempo))

        # 检测到重拍时写入拍号事件
        if event_type == 0:
            time_sig_num = beat_count_after_downbeat + 1
            tempo_track.append(MetaMessage(
                "time_signature",
                numerator=time_sig_num,
                denominator=4,
                time=tick_delta
            ))
            tick_delta = 0
            beat_count_after_downbeat = 0

        # 检测到四分拍/重拍时计算瞬时BPM，写入速度事件
        if event_type in (0, 1):
            if last_beat_time is not None:
                instant_bpm = 60 / (event_time - last_beat_time)
                current_tempo = mido.bpm2tempo(instant_bpm)
                tempo_track.append(MetaMessage(
                    "set_tempo",
                    tempo=current_tempo,
                    time=tick_delta
                ))
                tick_delta = 0
            last_beat_time = event_time
            beat_count_after_downbeat += 1

        last_event_time = event_time

    midi_file.save("clone_hero_tempo_map.mid")

使用说明 #

• 依赖安装仅需执行命令：pip install numpy mido
• 实际使用时可根据采样清晰度微调detect_onsets函数里的threshold参数，取值范围0.8~0.95即可覆盖绝大多数场景，值越高匹配越严格
• 10分钟时长的音频在普通电脑上处理耗时不超过5秒，无内存压力

内容的提问来源于stack exchange，提问作者Swift142