利用ffmpeg对两个音频文件进行混音处理

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。

相关推荐
眠りたいです9 小时前
基于脚手架微服务的视频点播系统-脚手架开发部分-FFmpeg,Etcd-SDK的简单使用与二次封装
c++·微服务·云原生·架构·ffmpeg·etcd
mortimer20 小时前
用 PySide6 打造可视化 ASS 字幕样式编辑器:从需求到实现
python·ffmpeg·pyqt
说话的鲸鱼1 天前
‌Python+WhisperX:医疗语音识别的精准与高效实践
python·语音识别·xcode
给大佬递杯卡布奇诺1 天前
FFmpeg 基本数据结构 AVPacket分析
数据结构·c++·ffmpeg·音视频
兔兔爱学习兔兔爱学习1 天前
2025年语音识别(ASR)与语音合成(TTS)技术趋势分析对比
人工智能·语音识别
说话的鲸鱼1 天前
‌Whisper模型在RTranslator中的实时语音识别优化:动态资源分配与负载均衡
whisper·负载均衡·语音识别
嘉年华-cocos1 天前
nodejs 使用speaker + ffmpeg 实现静默播放MP3
ffmpeg·nodejs·mp3
给大佬递杯卡布奇诺1 天前
FFmpeg 基本数据结构 URLContext分析
数据结构·c++·ffmpeg·音视频
ai智能获客_狐狐1 天前
电商零售行业外呼优势
人工智能·算法·自然语言处理·语音识别·零售
mortimer1 天前
彻底搞懂「字幕」:从格式、软硬到嵌入,告别所有困惑
ffmpeg·音视频开发·视频编码