檢查錄音¶
品質評估上的每個分數，都是拿處理過的片段和乾淨的參考訊號比較。合成的資料集兩者都有；現場錄音只有它自己，而通常要評斷的正是這種錄音。拿降噪後的現場錄音和原本含雜訊的版本比對評分，量到的是降噪改變了它多少，而不是它有沒有變好。所以先來看一個檔案靠自己就能回答的問題：
| 問題 | 該用 | 需要 |
|---|---|---|
| 這是什麼檔案？ | audio_info |
核心安裝 |
| 技術上有沒有問題？ | audio_report |
核心安裝 |
| 聽起來有多大聲，音量在哪裡變了？ | loudness 和它旁邊的函式 |
核心安裝 |
| 聽的人會怎麼評價它？ | dnsmos |
kudio[dnsmos]，以及 kudio 沒有附帶的模型權重 |
這一頁的範例共用同一段合成錄音，所以在哪裡都能跑：一個 140 Hz、諧波一直延伸到 7.6 kHz 的人聲，時開時關留下停頓，底下墊著 -54 dBFS 的嘶聲。最後一行是讓檔案自己回答它是什麼。
import numpy as np
import kudio
sr = 16000
rng = np.random.default_rng(0)
t = np.arange(20 * sr) / sr
voice = sum(np.cos(2 * np.pi * 140 * k * t) / k for k in range(1, 55))
words = np.sin(2 * np.pi * 0.7 * t) > -0.3 # talk, pause, talk, ...
take = 0.05 * voice * words + 0.002 * rng.standard_normal(t.size)
kudio.save_wave("take.wav", take, sr)
print(kudio.audio_info("take.wav"))
audio_info 從檔頭讀出取樣率、聲道數、長度和編碼，再一次一個區塊掃過樣本找出峰值，不會把整個檔案載入。其餘的內容在音訊檔案，包括在大型語料庫上怎麼跳過這次掃描。
不需參考訊號的健康檢查¶
audio_report 會量所有不需要乾淨對照版本就能量的東西，回傳一個 AudioReport，它的 problems() 會把發現寫成白話的句子。清單是空的就是好消息。
y, sr = kudio.file_load("take.wav")
report = kudio.audio_report(y, sr)
print(report)
print(report.problems())
它只收單聲道音訊，遇到多聲道陣列會引發 FeatureError。file_load 預設會把各聲道平均，這可能把其中一個聲道的毛病藏起來，所以立體聲檔案請一個聲道一個聲道檢查：用 mono=False 載入，再分別對 y[:, 0] 和 y[:, 1] 產生報告。音框是 30 ms，位移 15 ms，門檻都是固定的，不是參數：
| 欄位 | 量測什麼 | 何時標出 |
|---|---|---|
peak_dbfs |
最大聲的樣本，以 dBFS 表示 | 超過 0、超過 -0.5，或低於 -30 |
clipped_samples、clipped_ratio |
在滿刻度上連成平坦一段的樣本 | 只要有 |
dc_offset |
樣本的平均值 | 絕對值超過 0.01 |
silence_ratio |
比第 95 百分位數的音框低 40 dB 以上的音框所佔比例 | 超過 0.6 |
noise_floor_dbfs |
第 10 百分位數音框的準位 | 不標出 |
estimated_snr_db |
第 95 百分位數的音框準位減去第 10 百分位數的 | 低於 10 dB |
bandwidth_hz、band_limited |
仍帶有內容的最高頻率 | 低於奈奎斯特頻率的 0.9 |
lufs、rms_dbfs |
整合響度（短於 0.4 秒時為 nan）和單純的 RMS |
不標出 |
non_finite_samples |
是 NaN 或 inf 的樣本 | 只要有 |
三個峰值門檻分別代表：已經超過滿刻度、再多一級增益就會削峰，以及用到的位元深度太少。峰值為 -inf（數位靜音），以及有任何非有限值的樣本，這兩種情況都會單獨回報，旁邊不會有其他發現。
削峰¶
大聲的樣本不等於削峰的樣本。浮點數音訊放大到超過 1.0，波形都還在；傷害是在寫成整數格式時才發生的。削峰是已經被破壞的資訊，看起來像一段平台，所以報告只把這種樣本算成削峰：它所在的那段連續樣本至少有三個，都在滿刻度的 0.999 以上，而且彼此相差不超過 1e-4。碰到 1.0 的一兩個樣本不算；它們會以緊貼上限的峰值出現。
hot = 8 * take # float: louder, but intact
for clip in (hot, np.clip(hot, -1.0, 1.0)):
for problem in kudio.audio_report(clip, sr).problems():
print(problem)
peaks at +5.5 dBFS, past full scale — it will clip the moment it is written to an integer format
3321 samples clipped (1.04% of the clip) — the recording was already too hot; no processing gets that back
這條連續樣本的規則有兩個盲點。峰值尖銳的人聲被推過滿刻度時，每個音高週期只會削掉一兩個樣本：把這段錄音正規化到 -14 LUFS 再寫成 PCM_16，會這樣失去 2618 個樣本，而對那個檔案產生的報告只會說它的峰值在 -0.0 dBFS。削峰的錄音事後再調小，即使只調 1 dB，平台也會落到 0.999 以下，完全不會被回報。請在寫檔之前執行報告，趁超過 1.0 的樣本還看得到；第二種情況則要自己看波形。
升取樣與頻寬受限的檔案¶
對資料集傷害最隱蔽的毛病，是 16 kHz 的檔案裡裝著 8 kHz 的音訊：某個時候被升取樣過，4 kHz 以上什麼都沒有，下游的每個環節卻都把它當成寬頻。以標示的取樣率錄下的錄音，雜訊底通常散布在整個頻帶上，所以頻譜會一路延伸到奈奎斯特頻率。升取樣的音訊在舊的奈奎斯特頻率以上則完全是空的。
所以報告用 1024 個樣本的 Hann 窗音框把頻譜平均起來，取和最強頻率相差不到 50 dB 的最高頻率。低於奈奎斯特頻率的 0.9，這個片段就算頻寬受限。這個頻率的兩倍落在某個常見取樣率（8、11.025、16、22.05、32、44.1 或 48 kHz）的 15% 以內時，發現會指出檔案就是從那個取樣率升取樣上來的；否則它直接寫出那個頻率，例如「band-limited to about 3219 Hz」。
narrow = kudio.resample(kudio.resample(take, sr, 8000), 8000, sr)
for problem in kudio.audio_report(narrow, sr).problems():
print(problem)
content stops at 3797 Hz although the file claims 16000 Hz — it was very likely upsampled from 8000 Hz, and the extra rate is empty
房間與通道裡的 telephone 就是刻意做出這種檔案，報告也用同樣的方式解讀它。這項檢查有兩個前提。內容必須是寬頻的，語音就是：一個 220 Hz 的純音會被報成頻寬受限而且雜訊很多，算術上沒錯，但對誰都沒有用。另外，雜訊底必須落在頻譜最強處的 50 dB 以內。一段乾淨的錄音，如果嘶聲比較小、最高的八度又很安靜，沒有經過任何重新取樣，也會停在奈奎斯特頻率的 0.9 之前：把這段錄音的人聲諧波改成照 1 / k**1.5 而不是 1 / k 衰減，墊在 -66 dBFS 的嘶聲上，就會被報成內容停在 6578 Hz。在安靜、乾淨的檔案上，請把這個發現當成去看頻譜的理由，而不是證據。
一個毛病改變另一個讀數的時候¶
所有量測都來自同樣的樣本，所以某個毛病有可能動到屬於另一項的數字。直流偏移不會：音框準位是扣掉片段的平均值之後才量的，所以偏移會被回報成偏移，雜訊底則從剩下的部分讀取。削峰就會。它把能量往頻譜上方散開，越過 50 dB 那條線，所以不管檔案經歷過什麼，削峰的檔案看起來都是寬頻：
for label, clip in [("as is", narrow),
("+0.03 DC", narrow + 0.03),
("clipped", np.clip(8 * narrow, -1.0, 1.0))]:
r = kudio.audio_report(clip, sr)
print(f"{label:10} floor {r.noise_floor_dbfs:6.1f} dBFS "
f"SNR~{r.estimated_snr_db:3.0f} dB "
f"bandwidth {r.bandwidth_hz:4.0f} Hz band-limited {r.band_limited}")
as is floor -57.5 dBFS SNR~ 31 dB bandwidth 3797 Hz band-limited True
+0.03 DC floor -57.5 dBFS SNR~ 31 dB bandwidth 3797 Hz band-limited True
clipped floor -37.9 dBFS SNR~ 28 dB bandwidth 7984 Hz band-limited False
加了偏移時，problems() 只會多出直流偏移這一項發現，其他都不變；不過還是請用 remove_dc 把偏移去掉，因為它會浪費動態餘裕（headroom）。削峰的複本則不再被認出是從 8 kHz 升取樣上來的，所以不要從削峰檔案的頻寬讀出任何結論。
損壞的樣本¶
含有 NaN 或 inf 的片段會照樣量測，不會被拒絕：檢查語料庫時，正是你想知道每一個壞掉檔案的時候，而不是在第一個就停下來。
broken = take.copy()
broken[5000:5010] = np.nan
for problem in kudio.audio_report(broken, sr).problems():
print(problem)
10 samples are not finite (NaN or inf) — the clip is corrupt, not quiet, and every measurement here is meaningless. Repair it or drop it from the set
它排在最前面，而且單獨出現，因為其他檢查不一定會注意到：跟 NaN 比較，不論 NaN 寫在哪一邊，結果都是 false。請看 problems()，不要看欄位；除了這個計數，同一份報告還是給出了 28 dB 的估計 SNR。響度函式會自己檢查，所以損壞的片段絕不會量成靜音的讀數 -inf：loudness 和 true_peak 會回傳 nan 並發出警告，loudness_over_time 得到的曲線會寫著「171 of 171 window(s) unmeasurable」，normalize_lufs 和 match_loudness 則會引發 FeatureError，而不是拿一個不存在的準位去縮放。載入、audio_info 和 save_wave 對這種檔案各有各的處理方式（音訊檔案）。
數字無法告訴你的事¶
SNR 估計需要含有雜訊的停頓：它從第 10 百分位數的音框讀出雜訊底，而這只有在十分之一的音框除了雜訊什麼都沒有時才成立。人聲出現時，這段錄音的嘶聲比人聲低 27 dB，報告說的是 28。如果像計算混音 SNR 那樣，對整個檔案平均、停頓也算進去，這段錄音是 24.8 dB，這也是為什麼報告的讀數會比檔案混音時的 SNR 高好幾 dB（入門有個例子）。沒有適當的停頓時，最安靜的音框就是語音：
steady = 0.05 * voice + 0.002 * rng.standard_normal(t.size) # never pauses
clean = 0.05 * voice * words # pauses of exact zeros, no hiss
for name, clip in [("no pauses", steady), ("no hiss", clean)]:
print(f"{name:10} SNR~{kudio.audio_report(clip, sr).estimated_snr_db:.1f} dB")
第一段會被報成「estimated SNR around 1 dB」，而這個發現是錯的：它最安靜的那十分之一音框是語音。在沒有含雜訊停頓的片段上，估計值偏低應該當成未知，而不是當成很差。第二段是乾淨的，也被讀成乾淨：至少十分之一的音框完全是零時，雜訊底就是數位靜音 -inf dBFS，清單上什麼都不會列。語音活動與音高會找出語音在哪裡，降噪則把真正的嘶聲拿掉。另外，空的清單也只是技術上的判定：一個片段可以通過這裡的每一項檢查，聽起來卻還是很差，這就是 DNSMOS 的用途。
一次一整個資料夾¶
soundfile 打不開的檔案會引發 AudioIOError，空檔案則會引發 FeatureError。兩個都要攔，否則掃到第一個壞檔就會停下來：
from pathlib import Path
for path in sorted(Path("corpus").rglob("*.wav")):
try:
y, sr = kudio.file_load(path)
problems = kudio.audio_report(y, sr).problems()
except (kudio.AudioIOError, kudio.FeatureError) as e:
problems = [f"not measured: {e}"]
for problem in problems:
print(f"{path.as_posix()}: {problem}")
聽起來有多大聲¶
峰值幾乎說不出一個片段聽起來有多大聲，因為一個突兀的喀聲就能決定它（編輯與效果示範了它造成的傷害）。loudness 依 ITU-R BS.1770-4 量測聽的人實際聽到的音量，以 LUFS 為單位的閘控整合響度表示：
- 對訊號做 K 加權：一個大約 5 kHz 以上提升 +4 dB 的高頻棚架濾波器，對應頭部的影響；以及一個在 60 Hz 約衰減 3 dB 的高通濾波器，對付低頻隆隆聲。
- 以 400 ms 的區塊計算均方值，每 100 ms 開始一個新區塊。
- 丟掉低於 -70 LUFS 的區塊，再丟掉比剩下部分的準位低 10 LU 以上的區塊。這就是絕對閘門和相對閘門。
- 把剩下的區塊在功率域平均。
這個數字能用，靠的就是閘門。單純的 RMS 每當有人停下來不說話、換成環境音時就會下降；閘控響度不會：
padded = np.concatenate([take, 0.002 * rng.standard_normal(10 * sr)]) # room tone
for clip in (take, padded):
rms = 10 * np.log10(np.mean(clip ** 2))
print(f"RMS {rms:.1f} dBFS, loudness {kudio.loudness(clip, sr):.1f} LUFS")
環境音單獨量是 -51.3 LUFS，遠高於 -70 LUFS 的絕對閘門，所以把它排除掉的是相對閘門。
標準只公布了 48 kHz 的濾波器，用教科書上的公式也重現不出來，所以 kudio 透過預扭曲的雙線性轉換，把公布的濾波器帶到其他取樣率；在 16 kHz 和 48 kHz 響應的差距最多 0.07 dB，在 8 kHz 最多 0.29 dB。滿刻度的 1 kHz 正弦波在標準裡是 -3.01 LUFS，這裡在 48 kHz 讀到 -3.004，16 kHz 是 -3.05，8 kHz 是 -3.21。裝了 pyloudnorm（[check] 選用套件組）時，kudio 的測試會要求它在 8、16、44.1 和 48 kHz 都和那個獨立的響度計相差 0.1 LU 以內。
多聲道音訊以聲道在後的 (samples, channels) 傳入：最多五個聲道，左、右、中置和兩個環繞聲道的權重分別是 1.0、1.0、1.0、1.41 和 1.41。沒有 LFE 聲道的位置，所以六聲道的檔案會被拒絕。立體聲檔案請先用 mono=False 載入再量測：預設的載入會平均各聲道，兩個聲道相同時讀數會低 3.01 LU，只有一個聲道有訊號時則低 6.02 LU。短於一個 400 ms 區塊的片段會引發 FeatureError，訊息會指向 block_size=；用較小的區塊可以得到一個數字，但那不是 BS.1770 的數字。
正規化到目標響度¶
normalize_lufs 套用一個能把片段帶到目標響度的增益，預設是 -23 LUFS（EBU R 128），靜音則原樣回傳。除此之外它什麼都不做。被增益推過滿刻度的樣本，回傳時就是超過 1.0，不會被限制，因為限制它們會改變你剛剛要求的響度：
loud = kudio.normalize_lufs(take, sr, lufs=-14.0)
print(f"{kudio.loudness(loud, sr):.1f} LUFS, peak {np.max(np.abs(loud)):.2f}")
發生這種情況時，它會發出 UserWarning，Python 不需要任何設定就會顯示。這樣的片段請用 subtype="FLOAT" 儲存，或把目標設低一點，因為存成 PCM_16 時，它削峰的方式正是報告幾乎察覺不到的那種（削峰）。這則警告只管樣本；樣本之間的真峰值還可能更高。convert_folder 搭配 lufs=-23.0 可以正規化整個資料夾（音訊檔案）。
做 A/B 比較前先對齊兩個版本的響度¶
比較兩個版本的人，不管品質如何，往往會偏好比較大聲的那個。降噪在拿掉雜訊的同時也會拿掉一些音量，所以沒有對齊響度的比較，有一部分量到的其實是音量的變化。match_loudness 會把一個片段縮放到另一個片段的整合響度：
noisy = take + 0.02 * rng.standard_normal(t.size)
cleaned = kudio.spectral_enhance(noisy, sr)
matched = kudio.match_loudness(cleaned, noisy, sr)
for name, clip in [("noisy", noisy), ("cleaned", cleaned),
("matched", matched)]:
print(f"{name:8} {kudio.loudness(clip, sr):6.1f} LUFS")
不對齊的話，含雜訊的版本在任何聽測一開始就領先 2.5 LU。取樣率不同的片段也能對齊，用 reference_sr= 即可，因為響度屬於聲音本身，和取樣無關。
響度隨時間的變化¶
整段錄音一個數字，是正規化時的依據，但要找出有人轉頭離開麥克風的那一刻，它幫不上忙。loudness_over_time 以滑動視窗量測，回傳一條 LoudnessCurve：
drift = take.copy()
drift[8 * sr:13 * sr] *= 10 ** (-12 / 20) # five seconds facing away
curve = kudio.loudness_over_time(drift, sr)
print(curve)
print(curve.spans_below(curve.max - 6, min_seconds=1.0))
視窗預設是 SHORT_TERM（3 秒），反映的是一個段落有多大聲；MOMENTARY（400 ms）則跟著音節走。這是 EBU Tech 3341 的兩種響度計，其他以秒為單位的長度也都可以；它們一律每 100 ms 前進一步（CURVE_HOP）。短期曲線會跨過停頓，但邊緣比較模糊，把從 8 到 13 秒的下降標在 9.1 到 11.9 秒。瞬時曲線則每個停頓都會往下掉：在它上面，spans_below(max - 6) 會找到那段下降，外加十個 0.3 到 0.4 秒的凹陷，而比凹陷長的 min_seconds=0.5 只會留下那段下降，位置在 8.1 到 12.9 秒。初步檢視一段長錄音，以及使用 loudest() 和 quietest() 時，短期曲線比較穩定。
畫曲線或在曲線上搜尋時，有兩個設計上的選擇要知道。curve.times 存的是每個視窗的中心，而不是像響度計那樣存結尾，所以 3 秒曲線的第一個值在 1.5 秒，和產生它的音訊對齊。另外，曲線沒有閘控，因為閘門作用處留下的空洞，描述的會是一段在字與字之間不存在的錄音。數位靜音的視窗讀數是 -inf，quietest() 會略過它，spans_below() 則把它算成低於門檻。
響度範圍¶
loudness_range 依 EBU Tech 3342，把短期曲線濃縮成一個以 LU 為單位的數字：它的相對閘門在平均值以下 20 LU，而不是整合響度的 10 LU，而且取的是第 10 到第 95 百分位數之間的分布寬度，所以單單一聲甩門不會決定結果。在 20 秒、峰值 0.3 的穩定純音裡放 20 ms 的滿刻度，只讓它變動 0.03 LU。手上已經有短期曲線的話，range_lu 不必重新量測就能給出同樣的數字：
print(f"{kudio.loudness_range(take, sr):.1f} LU")
print(f"{kudio.loudness_range(drift, sr):.1f} LU, {curve.range_lu:.1f} LU")
真峰值¶
最大的樣本不等於訊號實際達到的最大值。樣本是一條曲線上的點，曲線會從樣本之間通過，而轉換器、有損編碼器或重新取樣器會把這條曲線重建出來，並在它過衝的地方削峰。true_peak 依 BS.1770-4 附錄 2，用超取樣量測這個過衝，單位是 dBTP。教科書上的例子是一個頻率為取樣率四分之一的滿刻度正弦波，調整相位讓每個樣本都落在 ±0.707：
n = np.arange(sr)
tone = np.sin(2 * np.pi * (sr / 4) * n / sr + np.pi / 4)
tricky = kudio.fade(tone, sr, 0.01, 0.01)
peak = 20 * np.log10(np.max(np.abs(tricky)))
print(f"samples {peak:.2f} dBFS, true peak {kudio.true_peak(tricky, sr):+.2f} dBTP")
這個正弦波在樣本之間會達到 1.0，也就是 0 dBTP，量測結果和它相差不到 0.02 dB。拿掉 10 ms 的淡入淡出，讀數會是 +0.12 dBTP：在 0.707 處突然開始、突然結束的片段，兩端都會振鈴，播放它的轉換器也會同樣振鈴。依照標準的要求，這個量測至少超取樣到 192 kHz，在 48 kHz 是 4 倍，在 16 kHz 是 12 倍。
EBU R 128 允許的真峰值最多是 -1 dBTP。normalize_lufs 只會針對超過滿刻度的樣本發出警告，所以正規化之後請量一下真峰值：
for target in (-23.0, -17.0):
out = kudio.normalize_lufs(take, sr, lufs=target)
sample = 20 * np.log10(np.max(np.abs(out)))
print(f"{target:.0f} LUFS: samples {sample:+.2f} dBFS, "
f"true peak {kudio.true_peak(out, sr):+.2f} dBTP")
-23 LUFS: samples -6.43 dBFS, true peak -6.14 dBTP
-17 LUFS: samples -0.43 dBFS, true peak -0.14 dBTP
在 -17 LUFS 時，每個樣本都在滿刻度以下，不會發出任何警告，這段錄音卻仍然超過上限。
DNSMOS：聽的人會怎麼說¶
一段錄音好不好聽是主觀判斷；沒有參考訊號、也沒有聽評小組時，唯一能給出判斷的，是用聽評小組的評分訓練出來的模型。dnsmos 執行 DNSMOS，以 1 到 5 的 MOS 尺度預測 ITU-T P.835 的三個分數，回傳一個 DnsmosScore：SIG 是語音，BAK 是背景有多不干擾，OVRL 是整體。降噪時 SIG 和 BAK 會分開走，因為過度的抑制會連同雜訊把語音也吃掉，只用一個數字就會把這件事藏起來。
權重屬於 Microsoft 的 DNS-Challenge，由那邊發布；kudio 除此之外全是原始碼，我不想在裡面夾帶別人的二進位檔。所以這裡需要兩樣這一頁其他地方都不需要的東西：用 pip install kudio[dnsmos] 裝 onnxruntime，以及從那個儲存庫 clone 下來的一份副本。
score = kudio.dnsmos(take, sr, model_dir="DNS-Challenge/DNSMOS")
print(score.sig, score.bak, score.ovrl)
print(score.summary())
find_dnsmos_model 先找 model_dir，再找 KUDIO_DNSMOS_DIR；兩者都可以直接指定檔案，或指定一個要搜尋的資料夾，子資料夾也會一起搜尋。副本裡有不只一個 sig_bak_ovr.onnx 時，依路徑排序的第一個會被選中，所以在乎跑的是哪一個時，請直接指定檔案。接著：
- 音訊會重新取樣到 16 kHz，也就是模型訓練時的取樣率。
- 音訊切成 9.01 秒的視窗，位移 1 秒，這是模型預期的長度，各視窗的分數再取平均；
score.segments會告訴你平均了幾個。視窗的排法和 DNS-Challenge 的dnsmos_local.py一樣，所以這裡的分數和用那個腳本發表的分數一致：視窗從整數秒開始，並在片段最後一個完整的秒之內結束，所以 10.5 秒的片段得到一個視窗，20 秒的片段得到 11 個，最後 0.99 秒不算在內。那個腳本自己只會評 11 個裡的 7 個：它用浮點數算每個視窗的結尾，從第 7 到第 23 秒開始的視窗會因為捨入而少一個樣本，於是被略過。我把它們留著，所以只要片段在加倍之後仍短於 17 秒，兩者的結果就一致，比較長的片段 kudio 則會評到更多視窗。 - 比一個視窗短的片段會像那個腳本一樣不斷加倍，直到夠一個視窗長，而不是補零，結果裡的每個視窗都會評分：2 秒的片段會變成 16 秒、七個視窗。靜音會被評成毀損的語音，在兩秒的片段後面接上七秒靜音，會回報一個片段本身沒有的問題。
- 每個視窗的原始輸出會先透過
POLYFIT換算到 MOS 尺度再取平均，這是針對非個人化模型公布的多項式，先換算再平均的順序和 DNS-Challenge 的dnsmos_local.py相同。模型旁邊的polyfit.json會取代這些多項式，其他模型都需要這個檔案；polyfit=False則保留原始輸出。
summary() 把 OVRL 4.0 以上稱為 clean，3.0 以上稱為 usable，2.0 以上稱為 poor，再低就是 bad。SIG 和 BAK 相差超過 0.7 時，它會說出是哪一邊比較高：SIG 2.6、BAK 4.1、OVRL 2.9 會得到「poor (OVRL 2.90) — the background is cleaner than the speech, which is what over-aggressive denoising looks like」。
處理整個資料夾時，模型只開一次，再把 session 交給每一次呼叫。這樣就完全不會去查模型資料夾，所以那裡的 polyfit.json 也不會被讀取，套用的是公布的係數：
from pathlib import Path
import onnxruntime as ort
model = kudio.find_dnsmos_model("DNS-Challenge/DNSMOS")
session = ort.InferenceSession(str(model), providers=["CPUExecutionProvider"])
for path in sorted(Path("corpus").rglob("*.wav")):
try:
y, sr = kudio.file_load(path)
print(path.as_posix(), kudio.dnsmos(y, sr, session=session).summary())
except (kudio.AudioIOError, kudio.FeatureError) as e:
print(path.as_posix(), f"not measured: {e}")
從命令列¶
kudio info take.wav # header, encoding and peak
kudio report take.wav || echo "needs another take"
kudio loudness take.wav --target -23 # exit 1 when over 1 LU off
kudio report 印出報告和其中的發現，有任何發現就以 1 結束。kudio loudness 印出整合響度、響度範圍、真峰值，以及最大聲和最小聲的時刻；--over-time 會加上曲線，每 100 ms 一行。kudio report 以單聲道讀檔，把各聲道平均；kudio loudness 則保留各聲道，因為 BS.1770 會把各聲道加權後相加，立體聲檔案的單聲道混音會低 3 LU。旗標在命令列，這裡每個函式的所有參數都在 API 參考。