我有一段时长大约为3.34 s 频率为1khz 的连续音频。该音频输入一个设备，经转换输出后，我想判断该音频是否还连续。
好了，这就是我的需求，看起来比较棘手，但我们稍稍了解音频采样率，码流，音频格式，通道的相关概念后，我们就可以用强大的python很快解决此问题。
关于音频的相关概念，请参考以下文章：
音频（一）：时域图、 频谱图 Spectrum、 功率谱
https://blog.csdn.net/chumingqian/article/details/122947421
正弦形函数
https://baike.baidu.com/item/%E6%AD%A3%E5%BC%A6%E5%9E%8B%E5%87%BD%E6%95%B0/898409?fr=aladdin
音频处理库—librosa的安装与使用
https://blog.csdn.net/zzc15806/article/details/79603994/
Python绘制语音信号的波形图、频谱图和语谱图
https://zhuanlan.zhihu.com/p/371394137
ffmpeg基础流程：音频处理
https://blog.csdn.net/weixin_43907175/article/details/121595588
FFmpeg的音频处理详解
https://blog.csdn.net/fireroll/article/details/83032025
好了，基本概念已经确定，我接下来阐述我的判定音频是否连续的方法。
具体步骤就是求出音频的时域图，就是音频的强度相对于时间的图像。
由于我们的音频的频率是固定的，我们还可以求出频域图，很有趣的几张图像。
声波其实就是一种机械波，那么我们画出的时域图其实就是一种正弦波。
那么判断音频是否连续的方法就是对时域图积分，以标准音频的积分值为基准。若测试音频的时域图的积分值小于以上基准值，那么就是不连续的，即该声波的中间有空白出现。但是对标准音频的时域图积分的结果肯定是0，因为正弦图正负抵消，这就无法作为判定标准。
于是，我们可以取时域图的绝对值图像，求该绝对值图像的积分值，以此为基准值。
若测试音频的时域图的绝对值图像积分后小于该基准值，那么就可以判定该测试音频中间有断掉的。
我们提供的音频的格式如下：
Stream #0:1: Audio: mp3 (U[0][0][0] / 0x0055), 44100 Hz, stereo, s16p, 320 kb/s
采样率为44.1KHz，双声道，音频频率固定为1KHz。
以下为我画出的该音频的时域图，频域图，对数图。
求完绝对值后的时域图。
未求绝对值的原始时域图。
我的代码如下：
# - * - coding: utf-8 - * -
import librosa #Librosa是一个用于音频、音乐分析、处理的python工具包，一些常见的时频处理、特征提取、绘制声音图形等功能应有尽有，功能十分强大它是一个Python模块，通常用于分析音频信号，但更倾向于音乐。它包括用于构建MIR（音乐信息检索）系统的nuts 和 bolts
import librosa.display
import matplotlib
import numpy as np
import matplotlib.pyplot as plt
from scipy.fft import fft
plt.figure(dpi=200) # 将显示的所有图分辨率调高
matplotlib.rc("font",family='SimHei') # 显示中文
matplotlib.rcParams['axes.unicode_minus']=False # 显示符号
def displayWaveform(): # 显示语音时域波形
"""
display waveform of a given speech sample
:param sample_name: speech sample name
:param fs: sample frequency
:return:
"""
samples, sr = librosa.load('reslut_audio.mp3', sr=44100) #sr 是采样率，单位是HZ，代表每秒对声音的采样数 samples 是总的样本数量，为时长(s)*采样率
#这会将音频时间序列作为numpy数组返回，默认采样率（sr）为22KHZ mono。我们可以通过以下方式更改此行为： librosa.load(audio_path, sr=44100)
#以44.1KHz重新采样，或禁用重新采样。采样率是每秒传输的音频样本数，以Hz或kHz为单位。librosa.load(audio_path, sr=None)
# samples = samples[6000:16000]
#samples=np.abs(samples)
print(f"总样本数量： {len(samples)}, 采样率(Hz)：{sr}")
time = np.arange(0, len(samples)) * (1.0 / sr) # 求出各个时间点，即各个采样点所对应的时间点，采样率为44100，总样本数量是147294，音频时长3.34s，那么time列表就是在(0 , 3.34) 内有147294 个值，对应每个采样点所处的时间点
print(f"time 时间点数量： {len(time)}")
print(f"音频时长(s)： {len(samples)/sr}")
print(f"打印samples： {samples}")
print(f"对时域波形图进行积分： {sum(samples)/sr}")
plt.plot(time, samples)
plt.title("语音信号时域波形")
plt.xlabel("时长（秒）")
plt.ylabel("振幅")
# plt.savefig("your dir\语音信号时域波形图", dpi=600)
plt.show()
def displaySpectrum(): # 显示语音频域谱线
samples, sr = librosa.load('reslut_audio.mp3', sr=16000)
print(len(samples))
# ft = librosa.stft(samples)
# magnitude = np.abs(ft) # 对fft的结果直接取模（取绝对值），得到幅度magnitude
# frequency = np.angle(ft) # (0, 16000, 121632)
ft = fft(samples)
print(len(ft), type(ft), np.max(ft), np.min(ft))
magnitude = np.absolute(ft) # 对fft的结果直接取模（取绝对值），得到幅度magnitude
#print(magnitude)
frequency = np.linspace(0, sr, len(magnitude)) # (0, 16000, 121632)
#print(frequency)
print(len(magnitude), type(magnitude), np.max(magnitude), np.min(magnitude))
print(len(frequency), type(frequency), np.max(frequency), np.min(frequency))
# plot spectrum，限定[:40000]
# plt.figure(figsize=(18, 8))
plt.plot(frequency[:40000], magnitude[:40000]) # magnitude spectrum
plt.title("语音信号频域谱线")
plt.xlabel("频率（赫兹）")
plt.ylabel("幅度")
plt.savefig("your dir语音信号频谱图", dpi=600)
plt.show()
# # plot spectrum，不限定 [对称]
# plt.figure(figsize=(18, 8))
# plt.plot(frequency, magnitude) # magnitude spectrum
# plt.title("语音信号频域谱线")
# plt.xlabel("频率（赫兹）")
# plt.ylabel("幅度")
# plt.show()
def displaySpectrogram():
samples, sr = librosa.load('reslut_audio.mp3', sr=16000)
# compute power spectrogram with stft(short-time fourier transform):
# 基于stft，计算power spectrogram
spectrogram = librosa.amplitude_to_db(librosa.stft(samples))
# show
librosa.display.specshow(spectrogram, y_axis='log')
plt.colorbar(format='%+2.0f dB')
plt.title('语音信号对数谱图')
plt.xlabel('时长（秒）')
plt.ylabel('频率（赫兹）')
plt.show()
if __name__ == '__main__':
displayWaveform()
displaySpectrum()
displaySpectrogram()
以下为打印结果：
总样本数量： 147294, 采样率(Hz)：44100
time 时间点数量： 147294
音频时长(s)： 3.34
打印samples： [0. 0. 0. … 0.80444336 0.8369751 0.60565186]
对时域波形图进行积分： 1.9839639683591535
检测音频是否连续的可以用displayWaveform()方法进行判断。
我们对该音频绝对值时域图积分后的值为：
对时域波形图进行积分： 1.9839639683591535
那么待检测音频的积分值若小于该值，1.9839639683591535，就说明该音频是不连续的
附录：
关于本案例定积分的推导步骤如下：
