python pyaudio对音频进行端点检测，检测出说话区间

主要采用过零率和语音能量来进行检测，并设置双阈值。
代码如下：

# -*- coding: utf-8 -*-
import wave
import os
import matplotlib.pyplot as plt
import numpy as np# 判断是否变号
def sgn(data):if data >= 0:return 1else:return 0# 计算每一帧的能量，设定每 256 个采样点为一帧，一帧就是一个语音块
def calEnergy(wave_data):energy = []sum = 0for i in range(len(wave_data)):sum = sum + (int(wave_data[i]) * int(wave_data[i]))if (i + 1) % 256 == 0:energy.append(sum)sum = 0elif i == len(wave_data) - 1:energy.append(sum)return energy# 计算过零率
def calZeroCrossingRate(wave_data):zeroCrossingRate = []sum = 0for i in range(len(wave_data)):# 判断当前索引 i 是否是 256 的倍数，为了避免从音频数据的开头和上一帧最后一个采样点计算过零率if i % 256 == 0:continuesum = sum + np.abs(sgn(wave_data[i]) - sgn(wave_data[i - 1]))if (i + 1) % 256 == 0:zeroCrossingRate.append(float(sum) / 255)sum = 0elif i == len(wave_data) - 1:zeroCrossingRate.append(float(sum) / 255)return zeroCrossingRate"""
当使用双门限法进行语音端点检测时，可以按照以下步骤实现：
计算语音信号的短时能量和过零率。可以使用算法或库函数来计算短时能量和过零率。
初始化参数。设定较高和较低能量阈值、过零率阈值等参数。
根据能量阈值进行初步检测。遍历短时能量序列，当能量超过较高能量阈值时，标记为起始点；
当能量低于较低能量阈值时，标记为结束点。
根据过零率阈值进行进一步检测。遍历起始点和结束点之间的时间窗口，在时间窗口内计算过零率，
并判断是否超过过零率阈值。若超过阈值，说明该点为语音信号的起始或结束点；
若未超过阈值，说明该点为语音信号的过渡点。
根据检测到的起始和结束点，得到语音信号的分段结果。
"""# 利用短时能量，短时过零率，使用双门限法进行端点检测
def endPointDetect(wave_data, energy, zeroCrossingRate):sum = 0energyAverage = 0# 短时能量平均数for en in energy:sum = sum + enenergyAverage = sum / len(energy)#    print(energyAverage)# 首先计算语音前一段的静音部分的能量均值（前5帧）sum = 0for en in energy[:5]:sum = sum + enML = sum / 5# 将能量均值的1/4作为MHMH = energyAverage / 4  # 较高的能量阈值# 将静音部分的能量均值和MH的平均数的1/4作为ML。ML = (ML + MH) / 4  # 较低的能量阈值# 计算前5帧的过零率sum = 0for zcr in zeroCrossingRate[:5]:sum = float(sum) + zcrZs = sum / 5  # 过零率阈值A = []B = []C = []# 首先利用较大能量阈值 MH 进行初步检测flag = 0for i in range(len(energy)):if len(A) == 0 and flag == 0 and energy[i] > MH:A.append(i)flag = 1# 如果当前点与上一个浊音的结束点之间的距离大于阈值（这里设为21），则将当前点设为新的浊音的起始点elif flag == 0 and energy[i] > MH and i - 21 > A[len(A) - 1]:A.append(i)flag = 1# 如果当前能量超过 MH，但当前点与上一个浊音的结束点之间的距离小于等于阈值 21，则将上一个浊音的结束点舍弃elif flag == 0 and energy[i] > MH and i - 21 <= A[len(A) - 1]:A = A[:len(A) - 1]flag = 1# 拿到结束点if flag == 1 and energy[i] < MH:A.append(i)flag = 0print("较高能量阈值，计算后的浊音A:" + str(A))# 根据较低能量阈值，在基础 A 上增加一段语音for j in range(len(A)):i = A[j]if j % 2 == 1:  # 奇数下标为结束点while i < len(energy) and energy[i] > ML:i = i + 1B.append(i)else:  # 偶数下标为起始点while i > 0 and energy[i] > ML:i = i - 1B.append(i)print("较低能量阈值，增加一段语言B:" + str(B))# 利用过零率进行最后一步检测，过零率高表示活跃语音print(B)for j in range(len(B)):i = B[j]if j % 2 == 1:  # 奇数下标为结束点while i < len(zeroCrossingRate) and zeroCrossingRate[i] >= 3 * Zs:i = i + 1C.append(i)else:  # 偶数下标为起始点while i > 0 and zeroCrossingRate[i] >= 3 * Zs:i = i - 1C.append(i)print("过零率阈值，最终语音分段C:" + str(C))return Cf = wave.open("./output.wav", "rb")
# getparams() 一次性返回所有的WAV文件的格式信息
params = f.getparams()
# nframes 采样点数目 帧数
nchannels, sampwidth, framerate, nframes = params[:4]
# readframes() 按照采样点读取数据
str_data = f.readframes(nframes)  # str_data 是二进制字符串# 以上可以直接写成 str_data = f.readframes(f.getnframes())# 转成二字节数组形式（每个采样点占两个字节）
wave_data = np.fromstring(str_data, dtype=np.short)
f.close()# 转成双声道
wave_data.shape = -1, 2
wave_data = wave_data.Ttime = np.arange(0, nframes) * (1.0 / framerate)  # 每个采样点对应的时间，单位是 s
waveDate = wave_data[0]  # 提取一个声道的数据
print("采样点数目：" + str(len(waveDate)))  # 输出一个声道应为采样点数目
print("采样率：" + str(framerate))
plt.plot(waveDate)
plt.ylabel("voiceprint")
plt.xlabel("nframes")
plt.show()minvalue = min(waveDate)
maxvalue = max(waveDate)
energy = calEnergy(waveDate)  # 每 256 为一帧，energy 为语音块的能量
plt.subplot(211)
plt.plot(energy)
plt.ylabel("energy")
plt.xlabel("frame")# 保存 energy
with open("./energy/1_en.txt", "w") as f:for en in energy:f.write(str(en) + "\n")zeroCrossingRate = calZeroCrossingRate(waveDate)
plt.subplot(212)
plt.plot(zeroCrossingRate)  # 同样是以帧为单位的过零率
plt.ylabel("zeroCrossingRate")
plt.xlabel("frame")
plt.show()# 保存过零率
with open("./zero/1_zero.txt", "w") as f:for zcr in zeroCrossingRate:f.write(str(zcr) + "\n")# 双门限法进行端点检测
N = endPointDetect(waveDate, energy, zeroCrossingRate)plt.plot(waveDate)
for i in range(0,len(N),2):print(i)x = [N[i] * 256, N[i] * 256]  # * 256 放大到原来的采样点上x1 = [N[i+1] * 256, N[i+1] * 256]y = [minvalue, maxvalue]plt.plot(x, y, "-g")plt.plot(x1, y, "-r")plt.plot()plt.ylabel("voiceprint")plt.xlabel("nframes")plt.show()# 输出为 pcm 格式
with open("./corpus/1.pcm", "wb") as f:i = 0while i < len(N):for num in waveDate[N[i] * 256: N[i + 1] * 256]:f.write(num)i = i + 2

运行结果如下：