音频开发 / 系统课时
用波形和统计量检查音频
用波形和统计量检查音频
这一节建立一套不依赖听感的快速体检方法:用峰值、均值、RMS、直流偏置、削波比例和静音比例先筛出明显异常,再把波形图作为定位证据,最终把这些指标沉淀成后续 DSP 测试基线。
学习目标
- 能计算并解释峰值、均值、RMS 与直流偏置
- 能用削波比例和静音比例识别常见异常
- 能结合波形图把统计异常定位到具体时间段
先看五类基础指标
峰值回答“最响的单个样本到了哪里”;RMS 更接近一段信号的整体能量水平;均值可近似反映直流偏置。只看其中一个指标很容易误判,例如峰值正常并不代表没有长时间静音,RMS 正常也不代表没有局部削波。
削波比例可以统计绝对值接近满幅的样本占比;静音比例可以统计绝对值低于一个很小阈值的样本占比。阈值必须结合采集链路和业务定义设置,本节给出的阈值只用于建立检测方法,不应直接照搬到所有生产音频。

生成异常样本并完成检查
下面的示例构造一段 2 秒单声道音频:前 0.2 秒静音,后面是带正直流偏置且发生削波的 1 kHz 正弦波。程序把它写成 16 位 PCM WAV,再重新读取,计算指标并保存波形图,因此从输入到检查结果可以完整复现。
import wave
import matplotlib.pyplot as plt
import numpy as np
SAMPLE_RATE = 48_000
DURATION = 2.0
t = np.arange(int(SAMPLE_RATE * DURATION)) / SAMPLE_RATE
signal = np.zeros_like(t, dtype=np.float64)
active = t >= 0.2
# 0.95 的交流幅度叠加 0.08 直流偏置后会局部超过满幅,因此产生削波。
signal[active] = np.clip(
0.95 * np.sin(2 * np.pi * 1000 * t[active]) + 0.08,
-1.0,
1.0,
)
pcm = np.round(signal * 32767).astype("<i2")
with wave.open("check-input.wav", "wb") as wf:
wf.setnchannels(1)
wf.setsampwidth(2)
wf.setframerate(SAMPLE_RATE)
wf.writeframes(pcm.tobytes())
with wave.open("check-input.wav", "rb") as wf:
if wf.getnchannels() != 1 or wf.getsampwidth() != 2:
raise ValueError("示例只处理单声道 16-bit PCM")
sample_rate = wf.getframerate()
samples = np.frombuffer(wf.readframes(wf.getnframes()), dtype="<i2")
x = samples.astype(np.float64) / 32768.0
peak = np.max(np.abs(x))
mean = np.mean(x)
rms = np.sqrt(np.mean(x**2))
clip_ratio = np.mean(np.abs(x) >= 0.999)
silence_ratio = np.mean(np.abs(x) < 1e-4)
print(f"peak={peak:.4f}")
print(f"mean={mean:.4f}")
print(f"rms={rms:.4f}")
print(f"dc_offset={mean:.4f}")
print(f"clip_ratio={clip_ratio:.2%}")
print(f"silence_ratio={silence_ratio:.2%}")
print(f"clipping={clip_ratio > 0.001}")
print(f"dc_offset_abnormal={abs(mean) > 0.01}")
print(f"suspicious_silence={silence_ratio > 0.05}")
time_axis = np.arange(len(x)) / sample_rate
plt.figure(figsize=(10, 3))
plt.plot(time_axis, x, linewidth=0.8)
plt.xlabel("Time (s)")
plt.ylabel("Amplitude")
plt.ylim(-1.05, 1.05)
plt.tight_layout()
plt.savefig("waveform-check.png", dpi=150)
print("waveform=waveform-check.png")预期输出:
peak=1.0000
mean=0.0706
rms=0.6396
dc_offset=0.0706
clip_ratio=5.62%
silence_ratio=10.00%
clipping=True
dc_offset_abnormal=True
suspicious_silence=True
waveform=waveform-check.png由于 16 位量化后最大正值是 32767,除以 32768 后实际峰值略小于 1,但格式化为四位小数时显示为 1.0000。波形图中还应能直接看到前 0.2 秒的平直静音区,以及后半段触顶形成的平顶。
把数字与波形对应起来
| 现象 | 统计特征 | 波形证据 |
|---|---|---|
| 削波 | 峰值接近满幅,削波比例明显大于 0 | 顶部或底部出现连续平顶 |
| 静音 | 静音比例升高,局部 RMS 接近 0 | 一段时间贴近零线 |
| 直流偏置 | 均值长期偏离 0 | 波形中心整体上移或下移 |
| 异常幅值 | 峰值、RMS 与历史基线差异明显 | 整体幅度突然放大或缩小 |
对立体声或更多声道,指标应按声道分别计算。先把多声道直接平均成单声道,可能让反相内容互相抵消,从而把本来存在的异常隐藏掉。
把检查结果变成测试基线
实战中不要只保存“一次检查通过”的结论,而要记录可比较的数值基线,例如每个声道的 peak、RMS、mean、clip ratio 和 silence ratio。后续滤波、增益、重采样或编码处理后,再用同一套统计口径比较前后结果。
阈值应围绕业务信号建立:语音中的短暂停顿不能简单判成坏数据,母带允许的峰值策略也与传感器音频不同。更稳妥的顺序是先用统计量发现“哪里不正常”,再用波形确认“异常发生在什么时候”,最后才决定是否进入频谱、滤波器或链路级排查。