☰

m4a檔案中的幀位元組流應該轉換成什麼資料類型？

tag-icon • tag-icon python m4a
m4a檔案中的幀位元組流應該轉換成什麼資料類型？

我是音訊處理研究的新手，使用python3中的pydub模組來操作「m4a」格式的音訊檔案。我一開始用 pydub 讀取原始 m4a 檔案是可以的，但是經過幾個步驟（例如 VAD 和資料增強操作）的操作後，我無法將生成的 m4a 檔案中的幀讀取為 numpy.ndarray並收到如下圖所示的錯誤：

np.array(frames["music_no_silence"].get_array_of_samples())
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/home/user/miniconda/envs/py36/lib/python3.6/site-packages/pydub/audio_segment.py", line 272, in get_array_of_samples
     array_type_override = self.array_type
  File "/home/user/miniconda/envs/py36/lib/python3.6/site-packages/pydub/audio_segment.py", line 277, in array_type
     return get_array_type(self.sample_width * 8)
  File "/home/user/miniconda/envs/py36/lib/python3.6/site-packages/pydub/utils.py", line 43, in get_array_type
     t = ARRAY_TYPES[bit_depth]
  KeyError: 64

奇怪的是，所有 m4a 文件，無論是原始輸入還是最終輸出，都可以在音訊應用程式中成功打開，並在揚聲器中產生合理的聲音。透過進一步研究這個問題，我注意到最終輸出中的幀大小為 8 位元組，而原始輸入中的幀大小為 2 位元組。

當原始輸入和最終輸出檔案都大膽開啟時，都顯示為「mono 16000Hz 32-bit float」。由於2bytes大小的幀無法解釋為32bit-float，我猜測32bit-float是Audacity中標準化操作的結果。

我的問題是對於位元組大小為 2、4、8 的幀，應該將其轉換為什麼資料類型（在 numpy 中）？

有沒有大師知道大膽中使用的標準化操作？

多謝！

相關內容