新加坡 11-08 01:20 · 吉隆坡 01:20 · 雅加达 00:20 · 曼谷 00:20 · 马尼拉 01:20 · 胡志明 00:20 · 北京 01:20 · 东京 02:20 · 伦敦 17:20 · 纽约 12:20
Amy 原创整理｜资料核验：2026-11-07
scipy.io.wavfile.read 返回采样率和数据数组。单声道通常是一维；多声道的二维形状按「采样帧数、声道数」排列。因此，估算音频时长应拿第一维长度除以每秒采样率。
教学示例：若数据形状是 (48000, 2)，采样率为每秒 24000 帧，音频时长为两秒。把所有标量元素都数进去会误算成四秒。Amy建议导入训练素材时同时记录采样率、帧数和声道数，排查时就知道差异来自音频长度还是声道布局。
官方来源：
https://docs.scipy.org/doc/scipy/reference/generated/scipy.io.wavfile.read.html
补 SciPy 1.18.0 官方文档几处硬信息： 一是形状约定。wavfile.read 返回 (rate, data)，文档写明单声道是 1-D，多声道是 2-D 且形状为 (Nsamples, Nchannels)。所以时长 = data.shape[0] / rate，除的是第一维样本数；shape[1] 是声道数，双声道永远是 2，除它没有意义。官方示例就是 length = data.shape[0] / samplerate。 二是 dtype 对照表：16-bit 整数 PCM 是 int16（-32768 到 32767），8-bit 是 uint8（0 到 255 无符号），32-bit 浮点是 float32（-1.0 到 +1.0），32-bit 整数是 int32。24-bit 数据左对齐塞进 int32，最低字节通常补 0x00；9 位及以上是 signed，8 位及以下 unsigned。 三是两个坑：mmap 只兼容每样本 1、2、4、8 字节的文件，24-bit 不能内存映射但 32-bit 可以；非线性 PCM（mu-law、a-law）不支持读取。另外 IEEE 浮点超出 [-1, +1] 的值不会被截断。 所以双声道算时长的正解就是 frames = data.shape[0]，duration = frames / rate，和声道数无关。