Как найти немые части в звуковой дорожке

Что ж, ваш «звук» будет массивом значений, будь то целое число или вещественное число — зависит от вашего формата.

Чтобы файл был тихим или «без звука», значения в этом массиве должны быть нулевыми, или очень близкими к нулю, или в худшем случае — если звук имеет смещение — значение останется неизменным, а не колеблется вокруг для создания звуковых волн.

Вы можете написать простую функцию, которая возвращает дельту для диапазона, другими словами, разницу между наибольшим и наименьшим значением, чем меньше дельта, тем ниже громкость звука.

Или, в качестве альтернативы, вы можете написать функцию, которая возвращает вам диапазоны, в которых дельта ниже заданного порога.

Ради игрушек я написал отличный класс:

template<typename T>
class SilenceFinder {
public:
  SilenceFinder(T * data, uint size, uint samples) : sBegin(0), d(data), s(size), samp(samples), status(Undefined) {}

  std::vector<std::pair<uint, uint>> find(const T threshold, const uint window) {
    auto r = findSilence(d, s, threshold, window);
    regionsToTime(r);
    return r;
  }

private:
  enum Status {
    Silent, Loud, Undefined
  };

  void toggleSilence(Status st, uint pos, std::vector<std::pair<uint, uint>> & res) {
    if (st == Silent) {
        if (status != Silent) sBegin = pos;
        status = Silent;
      }
    else {
        if (status == Silent) res.push_back(std::pair<uint, uint>(sBegin, pos));
        status = Loud;
      }
  }

  void end(Status st, uint pos, std::vector<std::pair<uint, uint>> & res) {
    if ((status == Silent) && (st == Silent)) res.push_back(std::pair<uint, uint>(sBegin, pos));
  }

  static T delta(T * data, const uint window) {
    T min = std::numeric_limits<T>::max(), max = std::numeric_limits<T>::min();
    for (uint i = 0; i < window; ++i) {
        T c = data[i];
        if (c < min) min = c;
        if (c > max) max = c;
      }
    return max - min;
  }

  std::vector<std::pair<uint, uint>> findSilence(T * data, const uint size, const T threshold, const uint win) {
    std::vector<std::pair<uint, uint>> regions;
    uint window = win;
    uint pos = 0;
    Status s = Undefined;
    while ((pos + window) <= size) {
        if (delta(data + pos, window) < threshold) s = Silent;
        else s = Loud;
        toggleSilence(s, pos, regions);
        pos += window;
      }
    if (delta(data + pos, size - pos) < threshold) s = Silent;
    else s = Loud;
    end(s, pos, regions);
    return regions;
  }

  void regionsToTime(std::vector<std::pair<uint, uint>> & regions) {
    for (auto & r : regions) {
        r.first /= samp;
        r.second /= samp;
      }
  }

  T * d;
  uint sBegin, s, samp;
  Status status;
};

Я действительно не проверял это, но похоже, что это должно работать. Однако он предполагает наличие одного аудиоканала, поэтому вам придется расширить его, чтобы работать с многоканальным звуком и между ними. Вот как вы его используете:

SilenceFinder<audioDataType> finder(audioDataPtr, sizeOfData, sampleRate);
auto res = finder.find(threshold, scanWindow);
// and output the silent regions
for (auto r : res) std::cout << r.first << " " << r.second << std::endl;

Также обратите внимание, что то, как это реализовано прямо сейчас, «разрез» с тихими областями будет очень резким, такие фильтры типа «нойзгейт» обычно поставляются с параметрами атаки и освобождения, которые сглаживают результат. Например, может быть 5 секунд тишины с небольшим хлопком в середине, без параметров атаки и восстановления, вы получите 5 минут, разделенных на две части, а хлоп на самом деле останется, но с их помощью вы можете реализовать различную чувствительность к когда его отрезать.

Чтобы проверить, является ли часть дорожки между t1 и t2 «молчаливой», вычислите среднеквадратичное значение (RMS) выборок между t1 и t2. Затем просто проверьте, соответствует ли среднеквадратичное значение <= некоторому пороговому значению, которое, по вашему мнению, представляет собой «молчание». См. http://en.wikipedia.org/wiki/Root_mean_square.