如何将原始WAV字节转为uint数组？如何读取文件字节用于webrtcvad库？

嘿，我来帮你把这两个需求落地，结合webrtcvad的要求，咱们把代码补全并讲清楚细节：

1. 原始WAV字节转uint数组 #

WAV文件里的16位PCM数据是有符号整数（范围-32768到32767），要转成uint数组（0到65535），只需要给每个值加上32768即可。我们可以用struct模块解析字节，或者用numpy提升处理大数据量的效率。

2. 适配webrtcvad的文件读取 #

webrtcvad对输入有严格要求：单声道、16位有符号PCM、采样率必须是8000/16000/32000/48000。你的代码已经做了基础校验，我把它补全并加上uint数组转换的逻辑：

import contextlib
import wave
import struct
import numpy as np

def read_wave(path):
    """Reads a .wav file. 
    Returns: (PCM字节数据, 采样率, uint16数组)
    """
    with contextlib.closing(wave.open(path, 'rb')) as wf:
        # 校验声道数：必须单声道
        num_channels = wf.getnchannels()
        assert num_channels == 1, "webrtcvad只支持单声道WAV文件"
        
        # 校验采样宽度：必须16位
        sample_width = wf.getsampwidth()
        assert sample_width == 2, "webrtcvad只支持16位采样的WAV文件"
        
        # 校验采样率：必须是指定值
        sample_rate = wf.getframerate()
        assert sample_rate in (8000, 16000, 32000, 48000), "采样率必须是8000/16000/32000/48000"
        
        # 读取所有PCM原始字节
        pcm_data = wf.readframes(wf.getnframes())
        
        # 解析为int16数组（16位有符号）
        int16_array = struct.unpack(f"{len(pcm_data)//2}h", pcm_data)
        
        # 转换为uint16数组：int16 + 32768 得到0~65535的无符号值
        # 方式1：用numpy（适合大数据量）
        uint16_array = np.array(int16_array, dtype=np.int16) + 32768
        uint16_array = uint16_array.astype(np.uint16)
        
        # 方式2：纯Python列表（小数据量够用）
        # uint16_array = [sample + 32768 for sample in int16_array]
        
        return pcm_data, sample_rate, uint16_array

3. 用webrtcvad处理的示例 #

拿到pcm_data后，就可以直接传给webrtcvad做语音检测了，这里给个简单的示例：

import webrtcvad

def detect_speech(pcm_data, sample_rate, aggressiveness=3):
    """用webrtcvad检测语音片段
    aggressiveness：0~3，值越大检测越敏感
    """
    vad = webrtcvad.Vad(aggressiveness)
    # 帧时长必须是10/20/30ms，这里选10ms
    frame_duration_ms = 10
    # 计算每个帧的字节数：采样率*时长/1000 * 2（16位采样每个样本占2字节）
    frame_size = int(sample_rate * frame_duration_ms / 1000) * 2
    
    speech_frames = []
    for i in range(0, len(pcm_data), frame_size):
        frame = pcm_data[i:i+frame_size]
        # 忽略长度不足的末尾帧
        if len(frame) < frame_size:
            break
        # 判断当前帧是否为语音
        is_speech = vad.is_speech(frame, sample_rate)
        speech_frames.append(is_speech)
    
    return speech_frames

关键注意点 #

• webrtcvad的is_speech方法必须传入完整的帧数据，所以要严格计算帧大小，不能缺字节。
• 如果不需要numpy依赖，直接用列表推导式转uint数组就行，适合小文件场景。

内容的提问来源于stack exchange，提问作者Isaac