Dotaz: Jak hromadne roztridit zvukove nahravky?

[zdenek2008]

Mam nekolik tisic wav souboru z diktafonu, kazdy kolem 18 MB nebo mene. Na vetsine je pouze ticho nebo nejaka zvukova kulisa, ty muzu smazat, ale nektere obsahuji hovor a ty bych chtel zachovat. Kdyz si soubor otevru v nejakem audio programu tak na grafu samozrejme ihned vidim kde mam konkretne hledat hovor; nechce se mi ale rucne prochazet stovky a stovky souboru a tak premyslim jak to zautomatizovat. Nemeli byste nekdo nejaky tip? Uvazoval jsem o TensorFlow, ale ta priprava/trenovani algoritmu by asi zabrala tolik casu jako delat to rucne, kdyz jsem s TF jeste ani nic nedelal. Kdyztak predem diky za pripadne napady.

Odpovědi

[dustin]

Pokud jde jen o rozlišení tiché nahrávky od nahrávky s hlasitějším hovorem, můžeš využít např. efekt silence soxu a nějak si to naskriptovat dle potřeby.

https://digitalcardboard.com/blog/2009/08/25/the-sox-of-silence/comment-page-2/

[Pavel 'TIGER' Růžička]

Já osobně jsem to dělal "ručně" skript mi přehrával soubory a po přehrání se zeptal na smazání, či přesunutí do archívu. Přesun proto, aby se dalo pokračovat tam, kde jsem přestal a nemusel jsem poslouchat to co už jsem slyšel. Případným posloucháním se dá pověřit i spolehlivá a důvěryhodná osoba.

[debian+]

Vygeneruj si grafy a vyber podla pohladu. Ak nie, tak tam mas tam prikaz na export zvykovych hodnot do txt, co si mozes spracovat/analyzovat vo svojom oblubenym programovacim jazykom.

[Josef Kufner]

Můžeš si nechat spočítat průměrnou hlasitost nahrávky a podle té to pak roztřídit. Případně to předtím prohnat frekvenčím filtrem (pásmovou propustí), který by nahrávku omezil na frekvence typické pro kecání.

To naprogramuješ možná i rychleji než najdeš

[PetebLazar]

Pokud ten diktafon mel AGC, pak se to mozna projevi na DR nahravek. Treba by to stacilo protahnout soubory dr14_meterem a roztridit soubory na s typickym diktafonovym DR a ty dalsi (ty na hrane zkontrolovat rucne). Pravda, rada masteringu z poslednich dekad se tam vejde asi take.

[PetebLazar]

Takto dopadl napriklad podcast kolegu z cnews.cz vystaveny ruzne agresivni kompresi dynamiky a zmenam v hlasitosti (ty se nad DR neprojevily) v Audiacity.

:~/Desktop$ dr14_tmeter .
cnewsfm-227t.wav: 	 DR 17
cnewsfm-227ccc.wav: 	 DR 8
cnewsfm-227.wav: 	 DR 17
cnewsfm-227tc.wav: 	 DR 15
cnewsfm-227cc.wav: 	 DR 16
cnewsfm-227c.wav: 	 DR 15
cnewsfm-227.mp3: 	 DR 17
DR = 15

[nemam]

to zní rozumně... ale jak to udělat třeba v bashi nebo pythonu, je na to nějaká knihovna? dik

[Jendа]

Uříznou hlavičku, načíst, udělat z toho numpy.array. Průměrná hlasitost: numpy.mean. Jen pro některé frekvence: rozsekat na bloky a každý ooknit numpy.hamming a ztransformovat numpy.fft. Příklad:

def gen_spectrum(arr):
    fftsize = 1024

    W = np.hamming(fftsize)
    acc = np.zeros(fftsize)
    it = 0
    for i in range(0, len(arr)-fftsize, fftsize//2):
        sp = np.fft.fft(arr[i:i+fftsize]*W)
        pw = np.fft.fftshift(10*np.log10((np.square(np.real(sp))+np.square(np.imag(sp)))/fftsize))
        acc += pw
        it += 1

    acc /= it

Rychlejší by bylo to vhodně numpy.reshape a pak všechny ty operace udělat nad vektorem vektorů, ale to neumím napsat s overlapem.

[nemam]

Super, numpy mě vůbec nenapadlo, určitě to použiju v mém projektu. Nemáš odkaz na nějaký good zdroj, kde se zpracováním zvuku přes numpy zabývají? Díík

[Jendа]

Bohužel jsem většinu věcí nabral za posledních 7 let co si hraju s rádiem tak nějak porůznu… Použité online zdroje píšu sem, ale je tam toho fakt hodně. A jestli je to o numpy nebo čemkoli jiném je podle mě celkem fuk, vždycky je to pár knihovních funkcí.

[Jendа]

Když to vidíš na grafu, tak asi budou mít různé maximální hlasitosti/histogramy samplů. Takže toto pro každou spočítáš a podle toho rozhodneš.

Jak to načíst? Buď je to WAV s PCM, pak stačí oříznout hlavičku a koukat na to jako na pole samplů, nebo je to nějak komprimované, a pak stačí spustit ffmpeg a zkonvertovat do raw formátu.