我不会处理 python 或 numpy 或任何其他狭隘计算平台。

1. 首先，由于“静音”是一种感知属性，因此您需要应用加权滤波器，例如A-weighting，以增强我们耳朵更敏感的音频频率分量并衰减我们不太敏感的部分。除了 A 加权之外，还有其他加权曲线。我最喜欢 Robert Wannamaker 的E-weighting。

2. 然后对滤波后的信号进行平方（以获得功率或能量）。

3. 然后对平方和滤波后的信号进行低通滤波（以获得包络）。

4. 然后将此包络与对应于听力阈值的阈值进行比较。

5. 最后，您可能需要在阈值比较中加入一点滞后，以便当您的包络超过阈值时，静音/非静音结果不会抖动。

这类似于压缩器/限制器/门过程中的“门”功能，有时会在音频应用程序中找到表达。“门”是为了确保在“沉默”时间段内，被认为是沉默的东西（或足够低的水平，应该被认为是沉默）变为零。

Pythonlibrosa库具有您可以使用的功能：

librosa.effects.split(y=buffer, frame_length=8000, top_db=40)

将音频信号拆分为非静音间隔。
给定 8000 的采样率，它将通过在 1 秒内检测低于 40db 的音频来分割音频

或者，您可以使用以下方法修剪音频“静音部分”：

librosa.effects.trim(y=buffer, frame_length=8000, top_db=40)

我需要类似的东西，将大型 WAV 文件拆分成块，静音时间超过一定长度。所以我写了这个。随意使用它。

它使用内存映射输入文件scipy.io.wavfile.read(..., mmap=True)（因为我的 WAV 文件大于我的可用 RAM），然后使用生成器来处理它。这意味着，您可以轻松地将其调整为传入的实时音频流。

该算法不像@robert-bristow-johnson 建议的那样优雅，但它应该更快，并且适用于任意大的文件。它将输入文件分割成等长的重叠窗口，计算每个窗口的能量，并确定每个窗口的能量是高于还是低于某个阈值。

我还使用tqdm包含了一个进度条，如果您正在处理不定长度的输入流，则应该将其删除。

您不会为您的问题找到“绝对正确”的方法。

我喜欢罗伯特的方法。我要在他的方法中添加的一件事是将输入音频的电平调整到预定值（比如 65 dB SPL），以便在他提供的其余处理步骤之前建立一个固定电平。这将消除音频电平的可能变化并帮助设置步骤 4 中提到的阈值。您可能还需要进行几次听力测试以帮助设置合理的阈值。