如何修复TensorFlow语音识别模型Squeeze维度不匹配InvalidArgumentError

错误定位 #

报错核心信息Can not squeeze dim[1], expected a dimension of 1, got 2指向代码中decode_audio函数的tf.squeeze(audio, axis=-1)行：

• tf.audio.decode_wav读取wav文件后返回的音频张量格式为[采样点数量, 声道数]
• 自行录制的音频为双声道（立体声），声道数维度值为2，而tf.squeeze仅支持删除大小为1的维度，因此触发报错。

修复方案 #

方案1：代码侧兼容双声道输入（无需修改源音频） #

直接修改decode_audio函数，自动将双声道合并为单声道即可：

def decode_audio(audio_binary):
  audio, _ = tf.audio.decode_wav(audio_binary)
  # 双声道取均值转为单声道，同时兼容单声道输入
  if audio.shape[-1] == 2:
    audio = tf.reduce_mean(audio, axis=-1, keepdims=True)
  return tf.squeeze(audio, axis=-1)

方案2：源音频统一转为单声道（语音模型训练的常规方案） #

在Audacity中批量处理录制的音频：

• 打开wav文件后，点击顶部菜单栏「轨道」→「混合」→「混合并渲染为单声道」
• 重新选择Signed 16-bit PCM编码导出wav文件，替换原有训练数据即可

内容的提问来源于stack exchange，提问作者Elsa B.