我需要从连续的音频流中收集语音片段。我需要稍后处理刚刚说出的用户语音片段(不用于语音识别)。我关注的只是基于声音响度的声音分割。
如果沉默至少1秒钟后,他的声音变得足够响亮一会儿,然后又沉默至少1秒钟,我说这是一个句子,声音应该在这里分段。
我只知道我可以从Microphone.Start()
创建的AudioClip
中获取原始音频数据。我想写一些这样的代码:
void Start()
{
audio = Microphone.Start(deviceName, true, 10, 16000);
}
void Update()
{
audio.GetData(fdata, 0);
for(int i = 0; i < fdata.Length; i++) {
u16data[i] = Convert.ToUInt16(fdata[i] * 65535);
}
// ... Process u16data
}
但我不确定的是:
当我调用
audio.GetData(fdata, 0)
时,我得到的是最近 10 秒的声音数据(如果fdata
足够大)或短于 10 秒(如果fdata
不够大),对吗?fdata
是一个浮点数组,我需要的是一个16 kHz、16位PCM缓冲器。转换数据是否正确:u16data[i] = fdata[i] * 65535
?检测
fdata
中响亮时刻和沉默时刻的正确方法是什么?
-
否,您必须使用
Microphone.GetPosition
从AudioClip
内的当前位置开始阅读获取录音样本中的位置。
并将获取的索引传递给
AudioClip.GetData
使用 offsetSamples 参数从剪辑中的特定位置开始读取
fdata = new float[clip.samples * clip.channels]; var currentIndex = Microphone.GetPosition(null); audio.GetData(fdata, currentIndex);
-
我不明白你到底把它换为什么。
fdata
将包含浮子范围从
-1.0f
到1.0f
(AudioClip.GetData
)因此,如果由于某种原因您需要获取
short.MinValue
(= -32768) 和short.MaxValue
(= 32767) 之间的值,那么您可以使用u16data[i] = Convert.ToUInt16(fdata[i] * short.MaxValue);
但请注意,
Convert.ToUInt16(float)
:值,舍入为最接近的 16 位无符号整数。如果值介于两个整数之间,则返回偶数;也就是说,4.5 转换为 4,5.5 转换为 6。
您可能希望首先使用 Mathf.RoundToInt 来四舍五入,如果值是例如
4.5
.u16data[i] = Convert.ToUInt16(Mathf.RoundToInt(fdata[i] * short.MaxValue));
但是,您的命名表明您实际上正在尝试
ushort
(或UInt16
)获取无符号值。为此,您不能有负值!因此,您必须向上移动浮点值才能映射范围(-1.0f
|1.0f
) 到范围 (0.0f
|1.0f
),然后按ushort.MaxValue
(= 65535) 进行多重播放u16data[i] = Convert.ToUInt16(Mathf.RoundToInt(fdata[i] + 1) / 2 * ushort.MaxValue);
-
您从
AudioClip.GetData
收到的是-1.0f
和1.0f
之间的音轨增益值。所以一个"响亮"的时刻将是
Mathf.Abs(fdata[i]) >= aCertainLoudThreshold;
一个"沉默"的时刻将是
Mathf.Abs(fdata[i]) <= aCertainSiltenThreshold;
例如,aCertainSiltenThreshold
可能是0.2f
,而aCertainLoudThreshold
可能是例如0.8f
。