从大型 .tgz 文件中提取.wav文件，并将它们存储到数组中进行分类

Question

我需要做一个机器学习任务，其中几个英语单词在录音中发音。我的任务是将多个录音作为输入，并对每个录音中的单词发音进行分类。 录音是单独的.wav文件，并一起存储在 .tgz 文件中。在我的代码中，我想提供 .tgz 文件作为输入，并将所有单独的.wav文件存储到数据数组中。 这是我到目前为止尝试过的：

data = np.array([])
tar = tarfile.open("wav.tgz", "r:gz")
for member in tar.getmembers():
f = tar.extractfile(member)
if f is not None:
data = np.asarray(f.read())
tar.close()

但是，在打印数据时，这会将所有信息作为字节返回，存储在数组中，如下所示：

b'RIFF$}x00x00WAVEfmt x10x00x00x00x01x00x01x00x80>x00x00x00}x00x00x02x00x10x00datax00}x00x00xcdxffxcexffxcbxffxcaxffxcbxffxc8xffxccxffxcexffxd0xffxd4xffxd1xffxccxffxc9xffxddxffxe5xffxd7xffxd3xffxd4xffxddxffxd9xffxcaxffxd9xffxe4xffxeaxffxf4xffxedxffxebxffxecxffxf1xffxf2xffxe5xffxecxffxf3xffxe9xffxeaxffxe5xffxe1xffxe4xffxe0xffxe7xffxefxffxefxffxf4xffxf4xffxf6xffxf4xffxe8xffxde

这持续了一段时间，因为它是一个相当大的文件。 有人可以帮助我从.tgz文件中单独提取这些文件的最佳方法是什么？另外，我不确定提取文件后处理文件的最佳方法是什么，也非常欢迎有关该部分的更多建议！

Answer 1

尝试使用 scipy.io.wavfile

import scipy
all_data = []
with tarfile.open("wav.tgz", "r:gz") as tar:
for member in tar.getmembers():
f = tar.extractfile(member)
if f is not None:
rate, data = scipy.io.wavfile.read(f)
all_data.append(data)