前言
最近，拿到了一个语音识别程序，想测试一下它识别的准确性。原本程序有一段自己的测试音频，准确性还可以，但是，自己想增加一下测试素材的复杂性。想到了在原本的测试音频中引入干扰数据（噪点），再看一下语音识别程序的健壮性。
正文
1、素材介绍
原本程序自带的音频测试素材是一段时长 24 秒的 wav 文件，其中包含了关键词 Yes 和 No，两个关键词出现的具体时间点如下：
yes @1100ms
no @5500ms
yes @9100ms
no @13600ms
yes @17100ms
no @21600ms
想引入的噪点数据是前段时间在抖音上比较火的背景音乐------《野花与栀子花》，具体内容这里就省略了。
2、混音处理
最基础的 ffmpeg 混音命令如下：
ffmpeg -i test.wav -i flowers.mp3 -b:a 16k -ac 2 -ar 48000 -filter_complex "amix=inputs=2" mixed_audio.wav
简单介绍一下上述参数：
-b:a 16，音频码率为16kbps
-ac 2，音频声道数为2
-ar 48000，音频采样率为48kHz
-filter_complex "amix=inputs=2" ，音频过滤器
执行结果如下：
生成的混音文件 mixed_audio.mp3 包含了两个输入音频文件的内容，只是叠加到了一起。不过细心的网友会发现，这个输出音频文件的时长是以最长的输入音频文件长度为准的，也就是音乐《野花与栀子花》的时长，3分26秒。
如何让它以最短时长的音频文件长度为准呢，可以增加参数 duration=shortest，具体命令如下：
ffmpeg -i test.wav -i flowers.mp3 -b:a 16k -ac 2 -ar 48000 -filter_complex "amix=inputs=2:duration=shortest" mixed_audio.wav
执行结果如下：
3、测试
最后使用新生成的音频素材进行测试，准确率确实受到了影响，但是整体影响不大。