保持文件原样以便长期存储。

对于实验，只处理一种格式可能是有益的。

根据您拥有的可用资源，问题可能是：

• 支持的格式
• 磁盘空间/速度
• 减压速度
• 随机访问

根据分析的要求，您可能希望降低轨道的质量以获得速度优势。

支持的格式

如果您用于分析的软件同时支持 MP3 和 M4A，那么您就大功告成了。如果没有，您需要使用ffmpeg或sox等工具进行转换。

磁盘空间/速度

如果您要将文件转换为未压缩的 WAV，这将占用大量磁盘空间。如果你没有这个空间，WAV 就不是一个好的格式。而是转换为另一种无损格式，如 FLAC 或 Apple Lossless。您可以这样做而不会损失任何质量。

除了磁盘空间，您还需要注意磁盘速度。对于一些深度学习任务，您必须为您的网络提供大量不同的样本，您需要从磁盘中读取这些样本。由于 WAV 在磁盘上的大小大约是磁盘的 10 倍，磁盘 I/O 可能会成为瓶颈，因此可能需要最小化磁盘上的文件大小。

减压速度

使用 FLAC 或 MP3 之类的压缩格式需要付出（小）代价。在分析之前，您必须即时解压缩音频文件。

随机访问

如果您需要从某个时间戳（例如 10.455 秒）开始快速访问音频，WAV 等格式具有明显的优势，因为它们可以非常轻松地随机访问音频。对于压缩格式，这通常是不可能的（很快）。

那么你应该为你的实验选择什么格式呢？

这一切都取决于您的要求。

您需要快速随机访问音频吗？您真的需要 44,100 Hz 的立体声质量吗？通过转换为单声道 22,050 Hz，您可以大大减少问题的大小。如果这对您的目的仍然足够好，那就去做吧，并为自己省去很多麻烦（但请保留您的原始文件！）。

此外，为了获得更多技术性，如果您要使用 Python 之类的工具分析数据并且您知道需要频谱图，那么使用librosa 之类的库预处理 MP3/M4A 文件并简单地存储numpy数组是没有问题的，如果那是什么你最终需要。

如果您有足够的存储空间，请将所有这些转换为一些常见的格式，例如 320kbps MP3 或 WAV。

这将节省分析管道的一些问题（并将这些问题移至 ETL 管道）。

问题是：

1. 音频处理库的兼容性问题（例如特定库可能只接受原始音频，另一个可能接受 mp3）
2. 元数据标记和提取的兼容性问题（一些库不会从 wav 读取标签，其他库不会从 m4a 读取它们）
3. 运行时格式转换引入的工件（离线转换可以承受更多的 CPU 周期）

这将需要约 10TB 或 40TB 的存储空间。