Как я могу программно определить частоту дискретизации файла WAV?
Есть программа написанная на python, которая распознаёт текст с использованной библиотекой vosk. Для распознавания текста нужно передать частоту дискретизации и модель языка этой строкой : KaldiRecognizer(model, 96000), где 96000 - это сама частота.
чтобы определить частоту дискретизации файла я использую следующий код:
with wave.open(r'a.wav', "rb") as wave_file:
frame_rate = wave_file.getframerate()
print(frame_rate)
НО! Практически во всех файлах он определяет частоту: 48000, для некоторых аудио файлов она почему-то не подходит и выводится какой-то бред а не текст (просто набор слов), тобиш vosk не правильно определяет текст в аудио, решается эта проблема ручной заменой частоты на нужную, постоянно необходимо подбирать её. в чём может быть проблема? до этого, преобразовывал аудио файл в онлайн конвертации. Хотелось бы автоматизировать процесс.
Ответы (2 шт):
Полагаю, проблема в теории
Может быть несколько причин, по которым ваш код неправильно определяет частоту дискретизации некоторых аудиофайлов:
1. Неподдерживаемый аудиоформат: Модуль wave, используемый в вашем коде, поддерживает только ограниченный набор аудиоформатов. Если аудиофайл, который вы пытаетесь открыть, находится в формате, который модуль не поддерживает, он может возвращать неправильную частоту. Возможно, вам потребуется использовать другой модуль, поддерживающий более широкий спектр аудиоформатов, например модуль pydub.
2. Неправильная информация о заголовке: Некоторые аудиофайлы могут содержать неправильную информацию о заголовке, которая не соответствует фактической частоте дискретизации. Это может произойти, когда файл создан неправильно или когда он конвертируется из одного формата в другой. В этом случае вам, возможно, потребуется вручную установить частоту дискретизации при передаче файла в библиотеку Vosk.
3. Кодирование с переменной скоростью передачи данных (VBR): Некоторые аудиофайлы могут иметь кодировку с переменной скоростью передачи данных, что означает, что скорость передачи данных изменяется по всему файлу. В этом случае частота, сообщаемая модулем wave, может быть неточной, и вам может потребоваться использовать другой метод для определения частоты дискретизации.
Чтобы автоматизировать процесс, вы можете попробовать использовать вышеупомянутый модуль pydub для преобразования аудиофайлов в поддерживаемый формат с фиксированной частотой дискретизации перед передачей их в библиотеку Vosk. Вы также можете попробовать использовать модуль mediainfo для извлечения частоты дискретизации непосредственно из метаданных файла вместо того, чтобы полагаться на модуль wave.
WAV file header
This is an example of a WAV file header (44 bytes). Data is stored in little-endian byte order.
[Master RIFF chunk]
FileTypeBlocID (4 bytes) : Identifier « RIFF » (0x52, 0x49, 0x46, 0x46)
FileSize (4 bytes) : Overall file size minus 8 bytes
FileFormatID (4 bytes) : Format = « WAVE » (0x57, 0x41, 0x56, 0x45)
[Chunk describing the data format]
FormatBlocID (4 bytes) : Identifier « fmt␣ » (0x66, 0x6D, 0x74, 0x20)
BlocSize (4 bytes) : Chunk size minus 8 bytes, which is 16 bytes here (0x10)
AudioFormat** (2 bytes) : Audio format** (1: PCM integer, 3: IEEE 754 float)
NbrChannels (2 bytes) : Number of channels
>>Frequency<< (4 bytes) : Sample rate (in hertz)
BytePerSec (4 bytes) : Number of bytes to read per second (Frequency * BytePerBloc).
BytePerBloc (2 bytes) : Number of bytes per block (NbrChannels * BitsPerSample / 8).
BitsPerSample (2 bytes) : Number of bits per sample
[Chunk containing the sampled data]
DataBlocID (4 bytes) : Identifier « data » (0x64, 0x61, 0x74, 0x61)
DataSize (4 bytes) : SampledData size
SampledData
Сами расколупайте header, проверьте header (заголовок) ваших wav-файлов на соответствие формата заголовка. Если не ваши wav-файлы как то изменены в заголовке, ну значит кто то использует нестандартный заголовок.
Frequency по стандарту - это 24,25,26,27-ой байты, от начала файла. Прочтите эти четыре байта, превратите в int (беззнаковый int), получите частоту.
Не забываем про little-endian byte order. Пример
file_byte[24] = 0x44
file_byte[25] = 0xAC
file_byte[26] = 0x00
file_byte[27] = 0x00
Что бы собрать частоту, собираем байты в обратном порядке (зависит от проца, ОС, рантайма итд)
44 AC 00 00 -> 00 00 AC 44 -> 44100 Hz (бинго!)
Но это не решение, нужно весь заголовок чекнуть на соответствие стандарту. Если заголовок не проходит по стандарту - значит его нужно раскапывать отдельно, ручками. Смотреть что там в этом нестандартном заголовке вкарячено.
P.s: Какой то wav-файл, открытый в Visual Studio Binary Editor
File -> Open -> Open With -> Binary Editor
Выделены 24,25,26,27-ые байты, они и есть 44100 Hz
**Упд: Если вы проверяете [валидируете] заголовок [44 байта] на полное соответствие, то поле AudioFormat (со значениями 1,3) расширено IANA до более широкого стандарта. Допустимые значения этого поля, как справедливо указал @eri - описано в расширенном стандарте от IANA. См. комментарии от @eri.