简介
本文描述如何从其它格式的音频转成符合语音识别输入要求格式的音频文件。即4种格式的音频文件：
pcm（不压缩），也称为raw格式。音频输入最原始的格式，不用再解码。wav（不压缩，pcm编码）：在pcm文件的开头出上加上一个描述采样率，编码等信息的字节。amr（有损压缩格式），对音频数据进行有损压缩，类似mp3文件。m4a（有损压缩格式，AAC编码），对音频数据进行有损压缩，通常仅供微信小程序使用的格式。自行转换比较复杂。
由于底层识别使用的是pcm，因此推荐直接上传pcm文件。如果上传其它格式，会在服务器端转码成pcm，调用接口的耗时会增加。
音频参数概念
以16000采样率 编码的pcm文件为例，每个(=)记录了 1/的音频数据。即1s的音频数据为 * 16000 =
以下表格的的格式要求仅供参考，具体以调用的api或sdk的文档为准。
api或sdk大类采样率文件格式声道pcm 及wav 编码
语音识别
16000
pcm，wav，amr，m4a
单声道
小端序
ios linux C++ SDK
语音识别
16000
pcm
单声道
小端序
SDK mrcp 等
呼叫中心
8000
pcm
单声道
小端序
示例音频文件下载
音频播放转换命令示例
wav 文件转 16k 位深的单声道pcm文件
ffmpeg -y -i 16k.wav -acodec pcm_s16le -f s16le -ac 1 -ar 16000 16k.pcm
44100 采样率 单声道 16bts pcm 文件转 16000采样率 位深的单声道pcm文件
ffmpeg -y -f s16le -ac 1 -ar 44100 -i test44.pcm -acodec pcm_s16le -f s16le -ac 1 -ar 16000 16k.pcmmp3 文件转 16K 位深的单声道 pcm文件
ffmpeg -y -i aidemo.mp3 -acodec pcm_s16le -f s16le -ac 1 -ar 16000 16k.pcm
// -acodec pcm_s16le pcm_s16le 16bits 编码器
// -f s16le 保存为16bits pcm格式
// -ac 1 单声道
// -ar 16000 16000采样率正常输出如下：
Input #0, mp3, from 'aaa.mp3':
Metadata:
encoded_by : Lavf52.24.1
Duration: 00:02:33.05, start: 0.000000, bitrate: 128 kb/s
Stream #0:0: Audio: mp3, 44100 Hz, stereo, s16p, 128 kb/s
// 输入音频， MP3格式， 44100采样率，stereo-双声道， 16bits 编码
Output #0, s16le, to '16k.pcm':
Metadata:
encoded_by : Lavf52.24.1
encoder : Lavf57.71.100
Stream #0:0: Audio: pcm_s16le, 16000 Hz, mono, s16, 256 kb/s
// 输入音频， MP3格式， 16000采样率，mono-单声道， 16bits
// 256 kb/s = 32KB/s = 32B/ms使用说明简介
的一个功能是转换不同的音频格式，其它简介请至
linux 版本：linux 静态编译版本： 版本 ：
官方文档地址：
编译参数与支持格式
默认支持pcm与wav（pcm编码）格式，额外的编译参数如下：
D..... = Decoding supported # 读取
.E.... = Encoding supported # 写入
..A... = Audio codec # 音频编码
....L. = Lossy compression # 有损
.....S = Lossless compression # 无损
DEA..S pcm_s16le PCM signed 16-bit little-endian
DEA.LS wavpack WavPack
DEA.L. mp3 MP3 (MPEG audio layer 3)
DEA.L. amr_nb AMR-NB (Adaptive Multi-Rate NarrowBand)
DEA.L. amr_wb AMR-WB (Adaptive Multi-Rate WideBand)
DEA.L. aac AAC (Advanced Audio Coding) (decoders: aac aac_fixed )
或
DEA.L. aac AAC (Advanced Audio Coding) (decoders: aac aac_fixed libfdk_aac ) (encoders: aac libfdk_aac )
命令
ffmpeg {通用参数} {输入音频参数} {输出音频参数}
ffmpeg -y -i aidemo.mp3 -acodec pcm_s16le -f s16le -ac 1 -ar 16000 16k.pcm
通用参数： -y
输入音频mp3文件参数： -i aidemo.mp3
输出音频 16000采样率 单声道 pcm 格式： -acodec pcm_s16le -f s16le -ac 1 -ar 16000 16k.pcm示例：输入是 的单声道 pcm文件。查询下文的输入参数为 “ -f s16le -ac 1 -ar 32000 -i .pcm”输出是 的单声道 pcm文件。查询下文的输出参数为 “-f s16le -ac 1 -ar 16000 16k.pcm”常用参数选择 -y
合并如下：
ffmpeg -y -f s16le -ac 1 -ar 32000 -i test32.pcm -f s16le -ac 1 -ar 16000 16k.pcm输入音频参数
wav、amr、 mp3及m4a格式都自带头部， 含有采样率 编码 多声道等信息。而pcm为原始音频信息，没有类似头部。wav（pcm编码）格式，仅仅在同样参数的pcm文件加了个几个字节的文件头。
输入 wav、amr、mp3及m4a 等格式：
-i test.wav # 或test.mp3 或者 test.amr输入 pcm格式： pcm需要额外告知编码格式，采样率，单声道信息
-acodec pcm_s16le -f s16le -ac 1 -ar 16000 -i 8k.pcm
// 单声道 16000 采样率 16bits编码 pcm文件
// s16le s(signied)16(16bits)le(Little-Endian)
-acodec pcm_s16le：使用s16le进行编码
-f s16le 文件格式是s16le的pcm
-ac 1 ：单声道
-ar 16000 ： 16000采样率输出音频参数
在原始采样率 大于或者接近16000的时候，推荐使用16000的采样率。 8000的采样率会降低识别效果。输出wav和amr格式时，如果不指定输出编码器，会选取默认编码器。
输出pcm音频：
-f s16le -ac 1 -ar 16000 16k.pcm
// 单声道 16000 采样率 16bits编码 pcm文件输出wav 音频：
-ac 1 -ar 16000 16k.wav
// 单声道 16000 采样率 16bits编码 pcm编码的wav文件
输出amr-nb 音频 ：
全称是： Multi-Rate，自适应多速率，是一种音频编码文件格式，专用于有效地压缩语音频率。在带宽不是瓶颈的情况下，不建议选择这种格式，解压需要百度服务器额外的耗时amr-nb格式只能选 8000采样率。bit rates越高音质越好，但是文件越大。bit rates 4.75k, 5.15k, 5.9k, 6.7k, 7.4k, 7.95k, 10.2k or 12.2k
8000的采样率及有损压缩会降低识别效果。如果原始采样率大于16000，请使用 amr-wb格式。
-ac 1 -ar 8000 -ab 12.2k 8k-122.amr
// 8000 采样率 12.2 bitRates输出 amr-wb 格式，采样率 16000。 bit rates越高音质越好，但是文件越大。6600 8850 12650 14250 15850 18250 19850 23050 23850
-acodec amr_wb -ac 1 -ar 16000 -ab 23850 16k-23850.amr输出m4a文件
m4a文件一般来源于微信小程序录音（见文档中微信录音小程序的参数说明）。不建议其它格式转为m4a；推荐转为amr有损压缩格式调用。
如果您一定要转为百度支持的m4a格式，见后文的m4a文件转码
常用参数查看音频格式使用
查看语音合成生成的MP3格式信息：
ffprobe -v quiet -print_format json -show_streams aidemo.mp3返回如下
{
"streams": [
{
"index": 0,
"codec_name": "mp3", // mp3 格式
"codec_long_name": "MP3 (MPEG audio layer 3)",
"codec_type": "audio",
"codec_time_base": "1/16000",
"codec_tag_string": "[0][0][0][0]",
"codec_tag": "0x0000",
"sample_fmt": "s16p",
"sample_rate": "16000", // 16000采样率
"channels": 1, // 单声道
"channel_layout": "mono",
"bits_per_sample": 0,
"r_frame_rate": "0/0",
"avg_frame_rate": "0/0",
"time_base": "1/14112000",
"start_pts": 0,
"start_time": "0.000000",
"duration_ts": 259096320,
"duration": "18.360000",
"bit_rate": "16000",
"disposition": {
"default": 0,
"dub": 0,
"original": 0,
"comment": 0,
"lyrics": 0,
"karaoke": 0,
"forced": 0,
"hearing_impaired": 0,
"visual_impaired": 0,
"clean_effects": 0,
"attached_pic": 0,
"timed_thumbnails": 0
}
}
]
}pcm文件音频时长计算
同图像bmp文件一样，pcm文件保存的是未压缩的音频信息。 编码是指，每次采样的音频信息用2个字节保存。可以对比下bmp文件用分别用2个字节保存RGB颜色的信息。16000采样率 是指 1秒钟采样 16000次。常见的音频是，即一秒采样44100次。单声道： 只有一个声道。
根据这些信息，我们可以计算：1秒的16000采样率音频文件大小是 2*16000 = 32000字节 ，约为32K1秒的8000采样率音频文件大小是 2*8000 = 16000字节 ，约为 16K
如果已知录音时长，可以根据文件的大小计算采样率是否正常。
转换为m4a格式（AAC编码）
推荐使用amr有损压缩格式，m4a格式用于微信小程序的录音。
需要下载，用于转换brand 为mp42:0, mini 0 。 不支持brand M4A。点此下载，选 里的下载链接。
官方推荐使用 库，但这个库需要按照官方文档自行编译。如果使用静态版本的话，也可以使用自带的aac库。
编译过 示例
ffmpeg -y -f s16le -ac 1 -ar 16000 -i 16k_57test.pcm -c libfdk_aac -profile:a aac_low -b:a 48000 -ar 16000 -ac 1 16k.m4a
MP4Box -brand mp42:0 16k.m4a #这步不能忽略静态版本自带的aac库示例
ffmpeg -y -f s16le -ac 1 -ar 16000 -i 16k_57test.pcm -c aac -profile:a aac_low -b:a 48000 -ar 16000 -ac 1 16k.m4a
MP4Box -brand mp42:0 16k.m4a #这步不能忽略输出参数
查看 m4a 格式
ffprobe 16k.m4a下面结果中重要的字段加粗
:: : : : .20.: 00:00:56.26, start: 0., : 32 kb/ #0:0(und): Audio: aac (LC) (mp4a / ), 16000 Hz, mono, fltp, 32 kb/s ()
相关文章
