在R中从WAV文件提取频率时间DataFrame及区分说话人方法

嘿，刚好做过类似的说话人分离任务，给你捋个最简实现方案——其实seewave里的函数完全能满足你的需求，只是你可能没注意到参数设置~

方案1：提取基频（F0）时间序列（最适合说话人区分） #

基频是区分不同说话人的核心特征之一，男性基频通常在80-160Hz，女性在160-250Hz，用seewave的dfreq()函数可以直接生成时间-基频的DataFrame，完全匹配你的需求：

# 加载必备包
library(tuneR)
library(seewave)

# 读取WAV文件（如果是立体声，先转单声道）
wav <- readWave("your_audio.wav")
wav <- mono(wav, "left") # 或选"right"，取任意声道即可

# 计算基频随时间的变化，直接返回DataFrame
freq_time_df <- dfreq(wav, plot = FALSE)

# 查看结果：第一列是时间（秒），第二列是基频（Hz）
head(freq_time_df)

dfreq()会自动按合适的时间窗口计算每个片段的基频，plot=FALSE关闭默认绘图，直接输出数据框。拿到这个结果后，你可以用kmeans之类的聚类方法直接分两类，初步区分两位说话人。

方案2：提取完整频谱（时间-全频率-振幅） #

如果需要更细致的频率信息（比如每个时间窗口的所有频率成分振幅），可以用短时傅里叶变换（STFT），同样用seewave实现：

用tidyverse简化整理（推荐） #

library(tidyr)
library(dplyr)

# 计算STFT，关闭绘图
stft_result <- stft(wav, plot = FALSE)

# 转换为长格式DataFrame
full_freq_df <- as.data.frame(stft_result$amp) %>%
  mutate(time = stft_result$time) %>%
  pivot_longer(cols = -time, names_to = "frequency", values_to = "amplitude") %>%
  mutate(frequency = as.numeric(frequency))

head(full_freq_df)

基础R版本（无需额外包） #

# 提取STFT的核心数据
time_points <- stft_result$time
freq_points <- stft_result$freq
amp_matrix <- stft_result$amp

# 拼接成DataFrame
full_freq_df <- data.frame(
  time = rep(time_points, each = length(freq_points)),
  frequency = rep(freq_points, length(time_points)),
  amplitude = as.vector(amp_matrix)
)

这个DataFrame包含了每个时间点、每个频率对应的振幅，适合做更复杂的特征提取和说话人分类。

小提示 #

如果你的WAV文件采样率很高，dfreq()或stft()的计算速度可能会慢，可以先用downsample()降低采样率（比如降到16000Hz），完全不影响说话人区分的效果：

wav <- downsample(wav, 16000)

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