使用Python提取音频语音起止时间戳的技术咨询

我完全懂你的痛点——用静音检测分割音频后，拿到的是一个个独立片段，但没法把它们精准映射回原音频的时间轴，从而生成需要的start,stop格式时间戳对吧？下面给你几个实用的解决方案，从命令行工具到编程实现都有，你可以根据自己的需求选择：

FFmpeg自带的silencedetect滤镜可以直接输出静音区间的起始和结束时间，你只需要解析这些输出，就能反推出语音段的时间戳。

执行命令： #

ffmpeg -i input.wav -af silencedetect=n=-50dB:d=0.5 -f null -

• 参数解释：
  • n=-50dB：设置静音的分贝阈值（数值越小，检测越敏感，可根据你的音频调整）
  • d=0.5：持续0.5秒以上的静音才会被判定为有效静音

提取并整理时间戳： #

命令执行后，终端会输出类似这样的内容：

[silencedetect @ 0x7f8b1c008600] silence_start: 11.18
[silencedetect @ 0x7f8b1c008600] silence_end: 18.68 | silence_duration: 7.5

你可以用grep和awk组合命令，直接过滤并生成目标格式：

ffmpeg -i input.wav -af silencedetect=n=-50dB:d=0.5 -f null - 2>&1 | grep -E "silence_(start|end)" | awk '
BEGIN { prev_end = 0.0; print "start,stop" }
/silence_start/ {
    start = prev_end;
    stop = substr($2, 1, length($2));
    printf "%s,%s\n", strftime("%H:%M:%S.%02d", start, int((start-int(start))*100)), strftime("%H:%M:%S.%02d", stop, int((stop-int(stop))*100));
}
/silence_end/ {
    prev_end = substr($4, 1, length($4));
}
END {
    duration = `ffprobe -v error -show_entries format=duration -of default=noprint_wrappers=1:nokey=1 input.wav`;
    if (prev_end < duration) {
        printf "%s,%s\n", strftime("%H:%M:%S.%02d", prev_end, int((prev_end-int(prev_end))*100)), strftime("%H:%M:%S.%02d", duration, int((duration-int(duration))*100));
    }
}'

这个命令会直接输出你需要的格式，包括开头的start,stop表头。

如果你需要更灵活的自定义逻辑，Pydub是个非常友好的音频处理库，它的split_on_silence方法不仅能分割音频，还能通过片段的frame_start属性直接获取原音频中的起始位置。

步骤： #

1. 先安装依赖：

pip install pydub

（注意：Pydub需要依赖FFmpeg，确保你的系统已经安装并配置好环境变量）

2. 示例代码：

from pydub import AudioSegment
from pydub.silence import split_on_silence

# 加载音频文件
audio = AudioSegment.from_wav("input.wav")

# 配置静音检测参数
min_silence_len = 500  # 静音持续时间（毫秒）
silence_thresh = -50   # 静音分贝阈值（可根据音频调整）

# 分割音频并获取片段
segments = split_on_silence(
    audio,
    min_silence_len=min_silence_len,
    silence_thresh=silence_thresh
)

# 生成时间戳列表
timestamps = ["start,stop"]
for seg in segments:
    # 计算片段在原音频中的起始和结束时间（毫秒）
    start_ms = seg.frame_start * 1000 / audio.frame_rate
    stop_ms = start_ms + len(seg)
    
    # 转换为时分秒格式（保留两位小数）
    def ms_to_time(ms):
        hours = int(ms // 3600000)
        minutes = int((ms % 3600000) // 60000)
        seconds = (ms % 60000) / 1000
        return f"{hours}:{minutes:02d}:{seconds:.2f}"
    
    start_time = ms_to_time(start_ms)
    stop_time = ms_to_time(stop_ms)
    timestamps.append(f"{start_time},{stop_time}")

# 输出结果
print("\n".join(timestamps))

这段代码会直接输出你需要的时间戳格式，每个语音段的时间都精准对应原音频的位置。

如果你需要更专业的音频分析（比如自定义能量阈值、处理不同采样率的音频），Librosa是个强大的选择，它能直接操作音频波形数据，精准计算时间区间。

步骤： #

1. 安装依赖：

pip install librosa numpy

2. 示例代码：

import librosa
import numpy as np

# 加载音频（保留原采样率）
y, sr = librosa.load("input.wav", sr=None)

# 计算音频的能量（RMS）
energy = librosa.feature.rms(y=y)[0]

# 设置静音阈值（取能量的10分位数，可根据音频调整）
silence_threshold = np.percentile(energy, 10)

# 找到所有静音的帧位置
silence_frames = np.where(energy < silence_threshold)[0]

# 将连续的静音帧合并为时间区间（转换为秒）
silence_intervals = []
if len(silence_frames) > 0:
    # 分割连续的静音帧
    splits = np.where(np.diff(silence_frames) > 1)[0] + 1
    frame_groups = np.split(silence_frames, splits)
    # 转换为时间区间
    for group in frame_groups:
        start = librosa.frames_to_time(group[0], sr=sr)
        end = librosa.frames_to_time(group[-1], sr=sr)
        silence_intervals.append((start, end))

# 生成语音段的时间戳
timestamps = ["start,stop"]
prev_end = 0.0
audio_duration = librosa.get_duration(y=y, sr=sr)

for start, end in silence_intervals:
    # 如果当前静音区间和上一个结束点之间有有效语音段（忽略0.1秒以下的极短片段）
    if start > prev_end + 0.1:
        # 转换为时分秒格式
        def sec_to_time(sec):
            hours = int(sec // 3600)
            minutes = int((sec % 3600) // 60)
            seconds = sec % 60
            return f"{hours}:{minutes:02d}:{seconds:.2f}"
        
        timestamps.append(f"{sec_to_time(prev_end)},{sec_to_time(start)}")
    prev_end = end

# 处理最后一段语音
if prev_end < audio_duration - 0.1:
    timestamps.append(f"{sec_to_time(prev_end)},{sec_to_time(audio_duration)}")

# 输出结果
print("\n".join(timestamps))

这个方案适合对音频处理有更高要求的场景，你可以根据需要调整能量阈值、最小语音段长度等参数。

内容的提问来源于stack exchange，提问作者NicolaiF