音频文件分割并且去除掉人声过少音频

使用spleeter分割后的人声与背景音乐分别存储在很多文件夹中。 文件结构大概是这样：

有许多这样的文件夹存储分离的人声与背景音乐。其中人声的音频文件名为vocals.wav。

 因此，遍历所有文件夹，判断文件名是否为vocals.wav，并将其复制到另一个文件夹中，将该音频文件重命名为其所在的文件夹名加上vocals.wav。

import os
import shutil
from pydub import AudioSegment
from pydub.silence import detect_nonsilent

def collect_and_rename_vocals(src_root, dst_folder):
    """
    收集并重命名所有文件夹中的“vocals”音频文件。

    :param src_root: 源文件夹根目录
    :param dst_folder: 目标文件夹，用于存放收集的音频文件
    """
    if not os.path.exists(dst_folder):
        os.makedirs(dst_folder)

    for root, dirs, files in os.walk(src_root):
        for file in files:
            print(file)
            if file == "vocals.wav":
                folder_name = os.path.basename(root)
                new_file_name = f"{folder_name}_vocals.wav"  # 假设是.wav格式
                src_file_path = os.path.join(root, file)
                dst_file_path = os.path.join(dst_folder, new_file_name)
                shutil.copy(src_file_path, dst_file_path)
                print(f"Copied and renamed: {src_file_path} to {dst_file_path}")

考虑到去除背景音乐之后一般歌曲的头尾人声都比较少，甚至是完全没有声音的。因此这部分音频可以删除。避免影响训练效果。 且训练模型时，音频文件长度应该在10-20s左右，音频文件太大会导致显存压力太大。

因此，需要在此对音频文件进行分割并且删除人声较少的部分。

具体代码如下：

def split_and_clean_audio_files(directory, segment_length=15000, silence_threshold=-50.0, min_silence_len=1000, min_sound_duration=5000):
    """
    将音频文件分割成指定长度的片段，并删除声音时长小于指定值的片段。

    :param directory: 音频文件所在目录
    :param segment_length: 分割片段的长度（毫秒）
    :param silence_threshold: 静音的分贝阈值
    :param min_silence_len: 识别为静音的最小时长（毫秒）
    :param min_sound_duration: 保留的最小声音时长（毫秒）
    """
    for filename in os.listdir(directory):
        if filename.endswith(".wav"):  # 根据实际音频文件格式调整
            file_path = os.path.join(directory, filename)
            audio = AudioSegment.from_file(file_path)

            # 分割音频文件
            for i in range(0, len(audio), segment_length):
                segment = audio[i:i + segment_length]
                segment_file_path = os.path.join(directory, f"{os.path.splitext(filename)[0]}_part{i//segment_length}.wav")
                segment.export(segment_file_path, format="wav")

                # 检测非静音部分
                nonsilent_ranges = detect_nonsilent(segment, min_silence_len=min_silence_len, silence_thresh=silence_threshold)
                total_sound_duration = sum(end - start for start, end in nonsilent_ranges)

                # 如果非静音部分总时长小于最小声音时长，删除文件
                if total_sound_duration < min_sound_duration:
                    os.remove(segment_file_path)
                    print(f"Deleted silent or low-sound segment: {segment_file_path}")

运行结果：