如何在Python中使用py-webrtcvad将wav文件拆分为WebRTC VAD适配帧

首先给出完整可运行的最简代码，适配你当前的参数配置：

import wave
import webrtcvad

# 读取音频文件
spf = wave.open("test4.wav", "rb")
# 基础参数校验，webrtcvad仅支持16位、单声道音频
assert spf.getsampwidth() == 2, "请使用16位深度的wav文件"
assert spf.getnchannels() == 1, "请使用单声道wav文件"
assert spf.getframerate() == 16000, "当前示例适配16000采样率音频"

signal = spf.readframes(-1)
spf.close()

# 初始化VAD，灵敏度等级3为最高
vad = webrtcvad.Vad(3)
sample_rate = 16000
frame_duration = 10  # 可替换为20或30，单位为毫秒

# 计算单帧字节长度
samples_per_frame = int(sample_rate * frame_duration / 1000)
bytes_per_frame = samples_per_frame * 2  # 16位采样每个点占2字节

# 逐帧检测
total_frames = len(signal) // bytes_per_frame
for frame_idx in range(total_frames):
    start_offset = frame_idx * bytes_per_frame
    end_offset = start_offset + bytes_per_frame
    current_frame = signal[start_offset:end_offset]
    has_speech = vad.is_speech(current_frame, sample_rate)
    print(f"第{frame_idx+1}帧 检测到语音: {has_speech}")

关键逻辑说明 #

• 帧拆分逻辑：根据你设置的帧时长计算单帧需要的字节数，直接对读取到的二进制音频流做切片即可。以10ms、16000采样率为例，单帧包含160个采样点，每个采样点占2字节，因此单帧长度固定为320字节。
• 如果你的原始音频不符合参数要求，可以用pydub做预处理，转换代码示例：

from pydub import AudioSegment
# 读取原始音频
raw_audio = AudioSegment.from_wav("test4.wav")
# 转换为16000采样率、单声道、16位深度
processed_audio = raw_audio.set_frame_rate(16000).set_channels(1).set_sample_width(2)
# 导出为新的wav文件供VAD检测使用
processed_audio.export("processed_test.wav", format="wav")

• 如果需要提取连续的语音片段，只需要将连续判定为True的帧的二进制数据拼接，最后写入wav文件即可。

内容的提问来源于stack exchange，提问作者Bach Le Duy