把 48 kHz 原始音频变成 16 kHz 帧 — 测量并阻止混叠

目标

把 48 kHz 立体声录音转换成语音模型接收的形态（16 kHz · 单声道 · 16 位 · 20 ms 帧），同时用数字确认不经滤波的重采样所产生的折叠声，以及 dBFS 和 SNR。

为什么重要

语音流水线中最常见的事故，出在声音的形态上，而不是模型。采样率、声道、字节序即使错位，也不会报错，只是识别率悄悄崩塌。原始文件（/opt/lab/fixtures/voice/audio/caller_48k.wav）中特意混入了 12 kHz 的导频音——降到 16 kHz 时如果不滤波，这个音调就会折叠成在 4 kHz 处听到的声音。评分器会重新读取你保存的文件，亲自测量 4 kHz 成分的强度、每一帧的 dBFS、实际的 SNR 和字节排列。

步骤

1. 读取 /opt/lab/fixtures/voice/audio/caller_48k.wav 的头部，把 sample_rate、channels、sample_width_bytes、frames、duration_s 写入 /root/voice/audio/info.json。
2. 用两个声道的平均值生成单声道，保持 48 kHz，保存到 /root/voice/audio/mono48k.wav。
3. 不滤波，每三个取一个（x[::3]），保存到 /root/voice/audio/naive16k.wav（16000 Hz）。
4. 先施加只让 8 kHz 以下通过的低通滤波器，再每三个取一个，保存到 /root/voice/audio/mono16k.wav（16000 Hz）。
5. 把 mono16k.wav 切成 20 ms（320 个采样点）的帧，把每一帧的 RMS dBFS 写入 /root/voice/audio/levels.csv（index,start_s,dbfs）。
6. 把低于 -40 dBFS 并持续 200 ms（10 帧）以上的区间，以 [{"start_s":…,"end_s":…}] 的形式写入 /root/voice/audio/silence.json。
7. 把种子为 7 的标准正态噪声（np.random.default_rng(7).standard_normal(n)）混入，使 SNR 为 10 dB，保存到 /root/voice/audio/noisy10.wav，并把用保存的文件重新测得的值写入 /root/voice/audio/snr.json。
8. 生成把 mono16k.wav 连续写成 s16le 20 ms 帧（640 字节）的 /root/voice/audio/stream.pcm，以及写有格式的 /root/voice/audio/stream.json。最后一帧不足的部分用 0 补齐。

参考

• 读写：标准库 wave 和 numpy 就够了。镜像中自带的辅助函数 from voicekit import read_wav, write_wav, to_int16, dbfs 也可以使用（它们会做单声道平均和 16 位转换）。
• 16 位采样点用 np.frombuffer(raw, dtype="<i2") 读取，再除以 32768。立体声要 reshape 成 (프레임, 채널)（占位符依次为帧数、声道数）。
• 常见错误：把时长算成 frames / sample_rate / channels（frames 本身已经是按声道打包的数量），只把两个声道相加（会溢出），把 SNR 按振幅比来对齐（10 dB 会变成 5 dB）。
• 概念：Nyquist–Shannon sampling theorem · ITU-T G.711 · Python wave

先读取头部

用 wave 打开 /opt/lab/fixtures/voice/audio/caller_48k.wav，把 sample_rate、channels、sample_width_bytes、frames、duration_s（秒，保留三位小数）写入 /root/voice/audio/info.json。

wave.open(...).getframerate()、getnchannels()、getsampwidth()、getnframes() 会给出这四个值。frames 是“每个声道各取一个采样点打成一组”的数量，所以时长是 frames ÷ 采样率。

把两个声道取平均，变成单声道

把原始文件的两个声道取平均，生成单声道，保持 48000 Hz，保存到 /root/voice/audio/mono48k.wav（16 位）。

对（帧，声道）数组在 axis=1 上取平均。如果只是相加，在大声处会超过 1.0 而被截断。写入时要乘以 32768 并四舍五入，再限制在 -32768 到 32767 之间。

试试不滤波直接抽取

从 mono48k.wav 中每三个取一个（x[::3]），保存到 /root/voice/audio/naive16k.wav（16000 Hz 单声道）。这是故意做错的方法。

48000 ÷ 3 = 16000，所以只要抽取，采样率就对了。可是原始文件中的 12 kHz 音调去哪了呢？评分信息会告诉你 4 kHz 成分的强度。

滤波之后再降采样

对 mono48k.wav 施加截止频率低于新奈奎斯特频率（8 kHz）的低通滤波器，然后每三个取一个，保存到 /root/voice/audio/mono16k.wav（16000 Hz 单声道）。4 kHz 折叠成分必须比直接抽取时小 30 dB 以上。

加窗的 sinc 是最简单的低通滤波器：h = 2·fc·sinc(2·fc·n)·hamming，fc 是截止频率 ÷ 48000。除以 h 的和，把增益调整为 1，再用 np.convolve(x, h, mode='same') 施加。抽头数越多，截止越陡。

20 ms 帧的强度（dBFS）

把 mono16k.wav 切成 320 个采样点（20 ms）的帧（末尾不足的片段舍弃），对每一帧把 index,start_s,dbfs 写入 /root/voice/audio/levels.csv。dBFS 是 20·log10(RMS)，完全静音是 -120。

RMS 是平方的平均值的平方根。必须在除以 32768 之后的实数上测量，0 dBFS 才是最大值。如果使用 10·log10，值会减半（因为这是振幅的 RMS 而不是功率，所以要用 20）。

找出静音区间

把 levels.csv 中低于 -40 dBFS 并持续 10 帧（200 ms）以上的区间，以 [{"start_s": …, "end_s": …}] 的形式写入 /root/voice/audio/silence.json。结束时间是“第一个越过阈值的帧的开始”，如果一直持续到文件末尾，则是最后一帧的结束。

记住进入阈值以下的帧号，在越过阈值的那一刻查看长度。如果在列表末尾追加一个很大的值，最后一个区间也能用同一段代码收尾。

以 SNR 10 dB 混入噪声

把与 mono16k.wav 长度相同的 np.random.default_rng(7).standard_normal(n) 噪声，调整缩放比例使 SNR 为 10 dB（功率比）后叠加，保存到 /root/voice/audio/noisy10.wav，并把重新读取保存的文件测得的 SNR 写入 /root/voice/audio/snr.json 的 measured_db（target_db 是 10）。

SNR = 10·log10(P_信号 / P_噪声)，P 是平方平均值。乘在噪声上的缩放比例是 sqrt(P_信号 / 10^(10/10) / P_噪声)。保存时会四舍五入为 16 位，所以重新读取后用 noisy − clean 来测量才准确。

WebSocket 会把我切成 640 字节的帧

把 mono16k.wav 的采样点以 s16le（16 位，小端优先）每 20 ms（320 个采样点 = 640 字节）连续写出，生成 /root/voice/audio/stream.pcm（最后一帧用 0 补齐），并把 format（"s16le"）、sample_rate、channels、frame_ms、frame_bytes、frames 写入 /root/voice/audio/stream.json。

不带 WAV 头，只写采样点。np.int16 数组的 .tobytes() 遵循机器的字节序，所以请把 dtype 固定为 '