我正在尝试在 Tensorflow 中实现（作为一个玩具项目）语音识别的某些方面。我想用作训练和测试数据的音频文件具有不同的采样率（16、20、44 和 44.1 kHz）。
以下列表并不详尽，仅列出了我能想到的几个选项。
scipy.signal.resample，可能在用零填充以达到信号长度为 2 的幂之后，然后斩波等量。scipy.signal.resample在将它们重新粘合在一起并应用链的其余部分之前，我会使用这些窗口进行修改。scipy.signal.resample然后以加权方式将它们粘在一起。tf.contrib.signal.stft并尝试对其进行拉伸，例如使用有理函数插值（反映声道的管模型）我应该在模型的哪一步标准化采样率，我应该怎么做？
如果你已经ffmpeg安装了，你可以直接使用tf.contrib.ffmpeg.decode_audio. 该函数接受一个samples_per_second参数并为您重新采样。以下计算数据的对数幅度短时频谱图。
waveform = tf.squeeze(
tf.contrib.ffmpeg.decode_audio(
tf.read_file(tf.placeholder(tf.string, name="filename")),
file_format=tf.placeholder(tf.string, name="format"),
samples_per_second=p["sample_rate"],
channel_count=1))
log_mag_spectrogram = tf.log(tf.abs(tf.contrib.signal.stft(
waveform, win_length, hop_length,
n_fft, pad_end=False) + 1e-8))
您是否有理由要在 tensorflow 计算图中进行重新采样？否则，有经过充分测试和建立的工具可以将重新采样作为单独的步骤进行，请考虑运行
$ sox unnormalized_file.wav -r 44100 normalized_file.wav
在您的所有数据文件上。