两个音频信号之间的时间延迟估计

Question

我有两个不同麦克风对同一信号进行的两次音频录制（例如，以 WAV 格式），但其中一个录制有延迟，例如几秒钟。

在某种波形查看器中查看这些信号时，很容易通过视觉识别这种延迟 - 即只需在每个信号中发现第一个可见峰值并确保它们具有相同的形状：

_{（来源：greycat.ru）}

但我该如何以编程方式做到这一点 - 找出这个延迟 (t) 是什么？两个数字化信号略有不同（因为麦克风不同、位置不同、ADC 设置等）。

我深入研究了一下，发现这个问题通常称为“时间延迟估计”，并且有多种解决方法 - 例如， 其中之一。

但是是否有任何简单且现成的解决方案，例如可用的命令行实用程序、库或直接算法？

结论：我发现没有简单的实现，并且自己完成了一个简单的命令行实用程序 - 可以在 https://bitbucket.org/GreyCat/calc-sound-delay（GPLv3 许可）。它实现了维基百科中描述的非常简单的搜索最大值算法。

Answer 1

您正在寻找的技术称为互相关。这是一种非常简单的计算密集型技术，可用于解决各种问题，包括测量两个相似信号（信号不需要相同）之间的时间差（又名滞后）。

如果您对滞后值（或至少是预期的滞后值的范围）有一个合理的了解，那么您可以大大减少总计算量。如果您可以对所需的准确度设置明确的限制，则同上。

Answer 2

遇到了同样的问题，但没有成功找到一个工具来自动同步视频/音频录制的开始，
我决定进行 syncstart (

它是一个命令行工具。其背后的基本代码是这样的：

import numpy as np
from scipy import fft
from scipy.io import wavfile
r1,s1 = wavfile.read(in1)
r2,s2 = wavfile.read(in2)
assert r1==r2, "syncstart normalizes using ffmpeg"
fs = r1
ls1 = len(s1)
ls2 = len(s2)
padsize = ls1+ls2+1
padsize = 2**(int(np.log(padsize)/np.log(2))+1)
s1pad = np.zeros(padsize)
s1pad[:ls1] = s1
s2pad = np.zeros(padsize)
s2pad[:ls2] = s2
corr = fft.ifft(fft.fft(s1pad)*np.conj(fft.fft(s2pad)))
ca = np.absolute(corr)
xmax = np.argmax(ca)
if xmax > padsize // 2:
    file,offset = in2,(padsize-xmax)/fs
else:
    file,offset = in1,xmax/fs

Answer 3

一个非常简单的事情就是检查峰值是否超过某个阈值，A 线上的高峰和 B 线上的高峰之间的时间可能就是你的延迟。只需尝试对阈值进行一些修改，如果图表通常与您发布的图片一样清晰，那么您应该没问题。