音频帧包含什么？
我正在研究如何比较声音文件（波形文件）。简单来说，我想把存储的声音文件（wav格式）和麦克风录入的声音进行比较。最终，我希望能先录制一些自己的语音指令，然后在运行我的应用程序时，将这些预先存储的文件与麦克风输入的声音进行比较。
我想在比较时留出一些余地，因为我觉得连续两次完全一样地说同样的话是很困难的。
经过一些搜索，我发现Python有一个叫做wave的模块，还有一个叫Wave_read的对象。这个对象有一个名为readframes(n)的函数：
这个函数读取并返回最多n帧音频，结果是一个字节字符串。
这些字节里包含了什么呢？我在想，是否可以逐帧循环读取波形文件，逐帧进行比较。
4 个回答
我觉得之前的描述有点不太准确。
一个帧看起来有点像图形格式中的步幅。对于交错立体声，每个样本16位，帧的大小是2*sizeof(short)=4字节。对于非交错立体声，每个样本16位，左声道的样本都是一个接一个的，所以帧的大小就是sizeof(short)。
逐字节的简单比较几乎不可能成功匹配，即使加上一些容错的处理也是如此。语音模式识别是一个非常复杂且微妙的问题，目前仍然在进行大量研究。
音频帧，或者说音频样本，就是在某个特定时刻的声音强度（也就是响度）信息。为了产生声音，成千上万的音频帧会依次播放，从而形成不同的音频频率。
以CD音质的音频为例，或者说无压缩的波形音频，每秒大约有44,100个音频帧/样本。每个音频帧有16位的分辨率，这样可以比较准确地表示声音的强弱。而且，由于CD音频是立体声的，所以实际上信息量是两倍，左声道16位，右声道也16位。
当你在Python中使用声音模块获取一个音频帧时，它会以一串十六进制字符的形式返回：
- 一个字符表示8位单声道信号。
- 两个字符表示8位立体声。
- 两个字符表示16位单声道。
- 四个字符表示16位立体声。
为了转换和比较这些值，你需要先使用Python的wave模块的函数来检查音频的位深和声道数量。否则，你可能会在比较不匹配的音质设置。