TensorFlow实现音频分类时DecodeWav报Data too short错误如何解决

问题根因 #

报错来自tf.audio.decode_wav算子，TensorFlow 2.6版本的该算子对WAV文件头的兼容性较差，RAVDESS数据集中部分WAV的头格式不符合算子默认解析规则，即使文件本身大小正常、没有损坏也会触发该错误。
同时代码存在隐含问题：get_label函数直接对全路径做分割，若路径中包含-会导致标签提取错误，后续也会引发额外异常。

解决方案 #

方案1：调整解码参数，兼容现有代码逻辑 #

修改decode_audio函数，显式指定音频声道数和采样长度，绕过默认头解析的限制：

def decode_audio(audio_binary):
    # RAVDESS所有音频均为单声道、16000采样率，单条时长约3秒
    audio, _ = tf.audio.decode_wav(
        audio_binary,
        desired_channels=1,
        desired_samples=48000
    )
    return tf.squeeze(audio, axis=-1)

同时修正标签提取逻辑，避免路径符号干扰：

def get_label(file_path):
    # 先提取路径末尾的纯文件名再做分割
    file_name = tf.strings.split(file_path, os.path.sep)[-1]
    parts = tf.strings.split(file_name, "-")
    # RAVDESS文件名结构中第3位为情感标签，索引从0开始为2
    return parts[2]

方案2：改用librosa加载音频（推荐，兼容性更高） #

tf.audio模块功能较为局限，换用成熟的音频处理库librosa可彻底避免这类解码问题。首先安装依赖：
pip install librosa
随后修改预处理逻辑即可：

import librosa

def load_audio(file_path):
    path = file_path.numpy().decode("utf-8")
    # 加载音频，指定采样率16000、单声道
    audio, sr = librosa.load(path, sr=16000, mono=True)
    # 统一长度为3秒，不足补零、过长截断
    if len(audio) < 48000:
        audio = np.pad(audio, (0, 48000 - len(audio)))
    else:
        audio = audio[:48000]
    return tf.convert_to_tensor(audio, dtype=tf.float32)

def get_waveform_and_label(file_path):
    label = get_label(file_path)
    waveform = tf.py_function(func=load_audio, inp=[file_path], Tout=tf.float32)
    waveform.set_shape((48000,))
    return waveform, label

内容的提问来源于stack exchange，提问作者Nathan Montanez