#WorkBuddy# 240 段录音、94 分钟、5 种采样率：朴素脚本 2 秒跑完，22 个文件被"处理成静音"

#WorkBuddy# 240 段录音、94 分钟、5 种采样率：朴素脚本 2 秒跑完，22 个文件被"处理成静音"

用 WorkBuddy 做会议与访谈素材的批量整理，最容易被忽略的一步不是转写本身，而是转写之前的音频治理。素材来自手机、录音笔、会议主机、微信导出，采样率、位深、声道、电平全都不一样。你写个脚本"统一一下"，屏幕上没有一行红字，文件夹里也躺着 240 个新文件——但把它们丢进转写引擎，一半的文件结果是空的、一半的结果是乱码。

我用 240 个程序合成的混合参数 WAV 复现了这件事，全部指标都是本机真实跑出来的。结论先说：朴素脚本 2.3 秒跑完，转写就绪率 0%；加上八段治理流水线后 11.96 秒跑完，转写就绪率 100%。

一、一次"看起来完全成功"的批处理

素材盘里是 240 段录音，总计 5,655.8 秒（94.26 分钟），366.2 MiB。它们的长相是这样的：

朴素脚本干的事很符合直觉：wave.open 读帧 → 取两声道平均 → 除以最大值做峰值归一 → 写回 16-bit。全程 2.317 秒，输出 240 个文件，退出码 0。

评测结果：一次可用率 0%。 参数合规率只有 37.5%（只有那 90 个本来就是 16 kHz 单声道的文件能过），响度达标率 0%，语音段表——根本没有。

二、根因：六个"脚本不会报错"的断点

这些问题都不会抛异常，只会安静地把数据搞坏。

1. 8-bit WAV 是无符号的。 wave 只告诉你 sampwidth == 1，不会告诉你这 1 个字节是 0~255 的无符号数，中点 128。按 16-bit 有符号解读，等于把每个字节和邻居拼成整数再错位缩放：49 个文件时长全部腰斩，波形变成噪声。实测这 49 个文件在 A 档输出后，频谱平坦度中位数 0.0564，而 C 档同一批文件是 0.0016——相差 35 倍，最坏的一个 0.508，已经是纯白噪声水平。

2. 立体声可能是反相的。 22 个文件右声道 = 左声道取负（right = -x，双话筒接反的典型结果）。"取两声道平均"这个动作对它们是 (x + (-x))/2 = 0：22 个文件被处理成数字静音，语音电平 -240 dBFS，脚本依然不报错。这一条是三档对比里最刺眼的一行：A 档 -240 dBFS、B 档 -240 dBFS、C 档 -19.87 dBFS。

3. 采样率不是"改个数字"。 48 kHz 直接改头成 16 kHz 叫变速，插值才叫重采样。更隐蔽的是：线性插值也能让 VAD 工作（消融里"线性插值重采样"的一次可用率仍是 100%），所以从流程指标上看不出问题；但相对多相滤波的保真度，143 个非同采样率文件的 SNR 中位数只有 23.49 dB，最差 15.36 dB（48 kHz 源）。转写引擎不会报错，它只是识别率悄悄下降。

4. 直流偏移会被当成"声音"。 80 个文件带 0.02~0.08 满量程的直流。用全局 mean 减一次通常够，但用全局 mean 去"评估"直流残留会误判：语音本身有 85~260 Hz 基频，一段 20 秒音频的样本均值天然带 1e-3 量级起伏。我第一版评测把 C 档 17 个文件判成"直流超标"，换成 160 ms 滑动均值后就归零了——测量口径错了，会冤枉正确的实现。

5. 静音不切，等于把 42% 的时长喂给了转写引擎。 语音占比 58.08%，剩下 2,371 秒是首尾等待、翻页、咳嗽后的空白。转写按分钟计费时这是纯成本；按段切分时，长静音会让时间戳整体漂移。

6. 削波是不可逆的，峰值归一只是把证据藏起来。 33 个文件过载削波，峰值因数中位数 6.57 dB（干净文件 13.28 dB）。B 档把峰值压回 -1 dBFS 之后，削波平台确实消失了——但峰值因数只从 6.57 升到 7.02 dB，失真一点没少。想看见它，必须测峰值因数，不能测"是否超过 0.999"。

三、八段流水线

顺序是有讲究的，每一步都为下一步准备前提：

1. 探测：不只看 WAV 头，还要读实际样本——峰值、RMS、直流、削波平台、帧能量分位数。
2. 下混：先算两声道相关系数。c < -0.3 判反相，只取单声道，不做平均；c > 0.995 判复制，取平均降噪；其余按能量加权并做电平补偿。
3. 去直流：全局 mean 减一次（此时还没切静音，样本量最大，均值最准）。
4. 重采样：gcd(16000, sr) 约分后交多相滤波，长度严格按比例，避免时长漂移。
5. 削波修复：只处理 ≥3 个连续样点贴顶的平台段，用两侧样点线性插值补回。
6. VAD：20 ms 窗、10 ms 跳，帧能量直方图做 Otsu 找双峰谷底作阈值，加 3 dB 迟滞、0.20 s 挂起、0.25 s 合并、0.12 s 最短段、20 ms 保护带。
7. 响度：只统计语音帧的 RMS，归一到 -20 dBFS，再过 -1 dBFS 软限幅。
8. 落盘：16 kHz / 单声道 / 16-bit，同名 WAV + 段表 JSON。

四、真实数据对比

B 档的 0% 不是失败得很奇怪，而是很典型：参数全对了、静音也切了一半，但响度按峰值归一，语音 RMS 落在 -20±1 dB 的只有 0%——峰值归一控制的是峰值，不是响度。同样地，B 档没有段表，F1 天然是 0。

消融实验（都以 C 档为基线，指标为一次可用率）：

削波修复是性价比最低的一段：占全部耗时 26.6%（3.53 s / 13.28 s），只换回 0.12 dB 峰值因数。留着它是因为 33 个文件确实需要，但如果你只有几十个干净文件，这一段可以砍。

五、四个反直觉的数字

六、可复制代码（核心四段）

依赖只有 numpy 与 scipy.signal.resample_poly（Python 3.13 已移除 audioop，别再指望它）。

① 位深分支是最容易写错的一行

import wave, numpy as np

def read_wav(path):
    with wave.open(path, "rb") as w:
        sr, ch, width, n = w.getframerate(), w.getnchannels(), w.getsampwidth(), w.getnframes()
        raw = w.readframes(n)
    if width == 1:                      # 8-bit 是无符号，中点 128
        a = (np.frombuffer(raw, np.uint8).astype(np.float64) - 128.0) / 127.0
    elif width == 2:                    # 16-bit 是有符号小端
        a = np.frombuffer(raw, "<i2").astype(np.float64) / 32768.0
    else:
        raise ValueError("未支持的位深 %d" % width)
    return a.reshape(-1, ch), sr

② 下混前先算相关系数

def downmix(x2):
    if x2.shape[1] == 1:
        return x2[:, 0]
    a, b = x2[:, 0], x2[:, 1]
    sa, sb = np.std(a), np.std(b)
    if sa < 1e-9: return b
    if sb < 1e-9: return a
    c = float(np.corrcoef(a, b)[0, 1])
    if c < -0.3:                        # 反相：只取一路，绝不平均
        return a
    if c > 0.995:                       # 复制声道：平均可降噪
        return (a + b) / 2
    w = np.array([sa, sb]) / (sa + sb)   # 失衡：能量加权 + 电平补偿
    y = a * w[0] + b * w[1]
    return y * (max(sa, sb) / np.std(y))

③ Otsu 找 VAD 阈值（比"噪声底 + 12 dB"稳）

def otsu_thr(e):                        # e: 帧能量 dB 数组
    lo, hi = np.percentile(e, 1), np.percentile(e, 99)
    if hi - lo < 3.0: return lo
    hist, edges = np.histogram(np.clip(e, lo, hi), bins=96, range=(lo, hi))
    w = hist.astype(float); w /= w.sum()
    c = (edges[:-1] + edges[1:]) / 2
    cw, cm = np.cumsum(w), np.cumsum(w * c)
    den = cw * (1 - cw)
    with np.errstate(divide="ignore", invalid="ignore"):
        sb = (cm[-1] * cw - cm) ** 2 / den
    sb[~np.isfinite(sb)] = 0
    return float(c[int(np.argmax(sb))])

阈值取 max(otsu, 第 10 百分位 + 6, -58)，再用 on > thr / off < thr - 3 做双门限迟滞。只用"噪声底 + 12 dB"会在 8-bit 低电平文件上彻底失效：第 10 百分位被量化噪声抬到 -35.5 dBFS，阈值直接抬到 -23.5 dBFS，高于 95% 分位，一个语音段都找不到。

④ 削波平台修复

def declip(x, thr=0.999, minrun=3):
    m = np.abs(x) >= thr
    y, i, n, runs = x.copy(), 0, len(x), 0
    while i < n:
        if not m[i]:
            i += 1; continue
        j = i
        while j < n and m[j]:
            j += 1
        if j - i >= minrun and i > 0 and j < n:
            y[i:j] = np.linspace(y[i - 1], y[j], j - i + 2)[1:-1]
            runs += 1
        i = j
    return y, runs

七、踩坑清单（全部来自本次实跑）

1. 8-bit 立体声按 16-bit 解会直接抛 cannot reshape：字节数被腰斩后不是声道数的整数倍。要么按位深分支，要么先截断到 len//ch*ch——但截断只是让代码能跑，数据照样是错的。
2. 合成语料的损伤要"相对电平"注入：第一版工频哼声写成绝对 -46~-34 dBFS，结果盖过了 -38 dBFS 的语音，整批文件变成哼声主导，VAD 阈值全体失真。真实录音里哼声是相对语音衰减 26~40 dB 的。
3. 真值的"尾部静音"必须用 总长 - 最后一个语音段结束 现算，不能用生成时的计划值：段间最后一个间隔会把计划值撑长，我第一次就因此把正确的裁剪判成数秒级误差，白白否掉了一个正确实现。
4. 句内 <0.20 s 的短停顿要在真值里合并，否则一颗"两段合成一段"的正确行为会被算成 2 个漏检，整篇的 F1 都会被冤枉。
5. 用全局 mean 评估直流残留会误判：语音基频让 20 秒窗口的均值带 1e-3 起伏。改 160 ms 滑动均值后，C 档"超标文件"从 17 个变成 0 个。
6. "削波残留率"这个指标是假的：峰值归一到 -1 dBFS 之后没有任何样点超过 0.999，可失真原封不动。要看峰值因数（本次 6.57 / 7.02 / 8.00 dB vs 干净文件 13.28 dB）。
7. 削波修复用 Python 逐样点扫描是性能黑洞：占 26.6% 耗时（3.53 s / 13.28 s），只换 0.12 dB。真要紧的话换成 np.diff 找平台段，别写 while。
8. 不要为"一次跑通"写批量删除：本机沙箱对单次 >50 个文件的删除有守卫，会直接拦。本流程设计成"决议在前、落盘在后"，不删除任何输入文件，复跑幂等。

八、给 WorkBuddy 的提示词模板

帮我把 D:\audio\in 下的录音做「转写前治理」，输出到 D:\audio\out：
1) 逐文件探测采样率/位深/声道/峰值/RMS/直流/削波平台，先出一份 CSV 体检表，不要直接改文件；
2) 统一成 16 kHz、单声道、16-bit：下混前先算两声道相关系数，<-0.3 判反相只取单路，>0.995 取平均，其余能量加权并做电平补偿；
3) 8-bit 文件按无符号中点 128 解码，禁止当 16-bit 读；
4) VAD 用帧能量 Otsu 阈值 + 3 dB 迟滞 + 0.25 s 合并，输出段表 JSON，切掉首尾静音但保留段内停顿；
5) 响度只统计语音帧，归一到 -20 dBFS，峰值不超过 -1 dBFS；
6) 削波平台（≥3 样点）用两侧插值修复，并统计修复段数；
7) 最后给我一张对照表：处理前后 参数合规率 / 裁剪误差 / 段数 / 响度达标率 / 耗时，并列出所有被判为"反相"或"8-bit"的文件名。

收尾

这条流水线的价值不在"能跑"，而在它先测量再动手。240 个文件、94 分钟、5 种采样率、49 个无符号 8-bit、22 个反相、33 个削波——如果你不先测，这些特征全部隐形，脚本会带着一脸无辜把 22 个文件处理成静音、把 49 个文件处理成噪声，然后告诉你"完成"。

11.96 秒换 100% 可用，代价只有 5 倍于朴素脚本的耗时（2.317 s → 11.96 s）。这 10 秒买的不是速度，是能拿去用的数据。

本文全部数字由本机真实运行产出：语料 aud_gen.py__（240 文件 / 5,655.8 s / 1,305 语音段）、三档与消融 aud_run.py__、分段耗时 aud_stage.py__、配图 gen_aud_images.py__。