pydubで無音時間をカットする

from pydub import AudioSegment
from pydub.silence import split_on_silence

sound = AudioSegment.from_file("sample.mp3", "mp3")

chunks = split_on_silence(sound, 
                          min_silence_len = 100,
                          silence_thresh = -35,
                          keep_silence = 100)

cutted_sound = sum(chunks)
cutted_sound.export('cutted.mp3')

import os
import subprocess
import sys

from pydub import AudioSegment
from pydub.silence import split_on_silence

input_file = "sample.m4a"
sampling_rate = 44100
bit_rate = 128
tempo = 0.9
output_file = "output.mp3"

min_silence_len = 100
keep_silence = 100
silence_thresh = -35

if not os.path.isfile(output_file):
    cmd = "ffmpeg -y -i {} -ar {} -ab {}k -af atempo={} {}".format(
        input_file, sampling_rate, bit_rate, tempo, output_file
    )
    resp = subprocess.check_output(cmd, shell=True)

sound = AudioSegment.from_file("output.mp3", "mp3")
org_length = len(sound)
print("original length: {:.2f} 分".format(org_length / 1000 / 60))

chunks = split_on_silence(
    sound,
    min_silence_len=min_silence_len,
    silence_thresh=silence_thresh,
    keep_silence=keep_silence,
)

num_of_chunks = len(chunks)
result_length = 0

for i, c in enumerate(chunks):
    result_length += len(c)
    # print("{}: {:.2f} 秒".format(i, len(c) / 1000))

print("number of chunks: {}".format(num_of_chunks))
print(
    "result length: {:.2f} 分 ( {:.2f} 分 cutted)".format(
        result_length / 1000 / 60, (org_length - result_length) / 1000 / 60
    )
)
print("avg chunk length: {:.2f} 秒".format(result_length / num_of_chunks / 1000))

$ time python app.py
original length: 93.94 分
number of chunks: 6239
result length: 65.34 分 ( 28.60 分 cutted)
avg chunk length: 0.63 秒

real    2m15.049s
user    2m14.811s
sys     0m6.755s

import os
import subprocess
import sys

from pydub import AudioSegment
from pydub.silence import split_on_silence

input_file = "sample.m4a"
sampling_rate = 44100
bit_rate = 128
tempo = 0.9
output_file = "output.mp3"

args = sys.argv
min_silence_len = 200
keep_silence = 200
silence_thresh = -90

if not os.path.isfile(output_file):
    cmd = "ffmpeg -y -i {} -ar {} -ab {}k -af atempo={} {}".format(
        input_file, sampling_rate, bit_rate, tempo, output_file
    )
    resp = subprocess.check_output(cmd, shell=True)

sound = AudioSegment.from_file("output.mp3", "mp3")
org_length = len(sound)
print("original length: {:.2f} 分".format(org_length / 1000 / 60))

chunks = split_on_silence(
    sound,
    min_silence_len=min_silence_len,
    silence_thresh=silence_thresh,
    keep_silence=keep_silence,
)

num_of_chunks = len(chunks)
result_length = 0


def output_wav(chunk, output):
    chunk.export(output, format="wav")
    s = AudioSegment.from_file(output, "wav")
    print("{}: {:.2f} 秒".format(output, s.duration_seconds))


current_chunk = None
for i, c in enumerate(chunks):
    if current_chunk is None:
        current_chunk = c
        continue
    temp_chunk = current_chunk + c
    outFilePath = f"output/out_{i + 1}.wav"
    if len(temp_chunk) / 1000 > 30:
        output_wav(current_chunk, outFilePath)
        current_chunk = c
    else:
        if i == len(chunks) - 1:
            output_wav(temp_chunk, outFilePath)
        else:
            current_chunk += c

    result_length += len(c)
    # print("{}: {:.2f} 秒".format(i, len(c) / 1000))

print("number of chunks: {}".format(num_of_chunks))
print(
    "result length: {:.2f} 分 ( {:.2f} 分 cutted)".format(
        result_length / 1000 / 60, (org_length - result_length) / 1000 / 60
    )
)
print("avg chunk length: {:.2f} 秒".format(result_length / num_of_chunks / 1000))

$ time python app.py
original length: 93.94 分
output/out_8.wav: 22.55 秒
output/out_14.wav: 28.18 秒
output/out_23.wav: 28.67 秒
output/out_38.wav: 27.69 秒
output/out_52.wav: 26.40 秒
output/out_65.wav: 27.99 秒
output/out_70.wav: 29.22 秒
output/out_74.wav: 19.08 秒
output/out_79.wav: 29.30 秒
output/out_85.wav: 24.46 秒
output/out_90.wav: 20.86 秒
output/out_94.wav: 22.63 秒
output/out_97.wav: 23.55 秒
output/out_103.wav: 29.20 秒
output/out_111.wav: 27.98 秒
output/out_119.wav: 27.25 秒
output/out_125.wav: 25.06 秒
output/out_128.wav: 22.07 秒
output/out_132.wav: 26.85 秒
output/out_140.wav: 29.34 秒
output/out_149.wav: 27.30 秒
output/out_157.wav: 25.64 秒
output/out_163.wav: 29.63 秒
output/out_168.wav: 20.14 秒
output/out_174.wav: 24.20 秒
output/out_177.wav: 25.96 秒
output/out_184.wav: 27.61 秒
output/out_188.wav: 24.60 秒
output/out_196.wav: 29.16 秒
output/out_201.wav: 27.47 秒
output/out_207.wav: 29.28 秒
output/out_221.wav: 26.27 秒
output/out_225.wav: 17.82 秒
output/out_230.wav: 29.49 秒
output/out_234.wav: 15.76 秒
output/out_236.wav: 18.90 秒
output/out_240.wav: 26.76 秒
output/out_247.wav: 28.93 秒
output/out_254.wav: 27.94 秒
output/out_259.wav: 29.92 秒
output/out_270.wav: 29.58 秒
output/out_277.wav: 28.18 秒
output/out_282.wav: 25.20 秒
output/out_290.wav: 28.65 秒
output/out_301.wav: 27.89 秒
output/out_313.wav: 28.98 秒
output/out_322.wav: 26.36 秒
output/out_328.wav: 29.24 秒
output/out_333.wav: 24.19 秒
output/out_339.wav: 26.81 秒
output/out_348.wav: 28.30 秒
output/out_358.wav: 28.36 秒
output/out_370.wav: 29.32 秒
output/out_377.wav: 24.44 秒
output/out_387.wav: 29.24 秒
output/out_398.wav: 25.75 秒
output/out_404.wav: 28.68 秒
output/out_414.wav: 29.85 秒
output/out_419.wav: 27.22 秒
output/out_432.wav: 29.50 秒
output/out_440.wav: 23.80 秒
output/out_447.wav: 28.40 秒
output/out_452.wav: 28.62 秒
output/out_461.wav: 28.01 秒
output/out_465.wav: 29.25 秒
output/out_472.wav: 29.79 秒
output/out_481.wav: 28.17 秒
output/out_490.wav: 26.49 秒
output/out_494.wav: 28.54 秒
output/out_506.wav: 27.40 秒
output/out_515.wav: 23.88 秒
output/out_521.wav: 29.37 秒
output/out_527.wav: 21.29 秒
output/out_536.wav: 27.52 秒
output/out_542.wav: 29.07 秒
output/out_555.wav: 29.55 秒
output/out_561.wav: 21.80 秒
output/out_568.wav: 29.94 秒
output/out_577.wav: 29.69 秒
output/out_584.wav: 26.44 秒
output/out_592.wav: 24.42 秒
output/out_598.wav: 28.46 秒
output/out_606.wav: 29.47 秒
output/out_610.wav: 12.85 秒
output/out_614.wav: 29.58 秒
output/out_621.wav: 26.54 秒
output/out_627.wav: 29.50 秒
output/out_633.wav: 27.81 秒
output/out_643.wav: 29.42 秒
output/out_654.wav: 29.09 秒
output/out_662.wav: 11.06 秒
output/out_664.wav: 24.67 秒
output/out_667.wav: 28.22 秒
output/out_673.wav: 27.17 秒
output/out_678.wav: 24.55 秒
output/out_684.wav: 28.07 秒
output/out_691.wav: 28.16 秒
output/out_697.wav: 22.08 秒
output/out_701.wav: 29.21 秒
output/out_709.wav: 18.01 秒
output/out_714.wav: 28.40 秒
output/out_724.wav: 26.51 秒
output/out_727.wav: 28.37 秒
output/out_738.wav: 29.53 秒
output/out_746.wav: 27.25 秒
output/out_750.wav: 18.00 秒
output/out_754.wav: 22.39 秒
output/out_760.wav: 26.03 秒
output/out_764.wav: 23.31 秒
output/out_773.wav: 25.50 秒
output/out_776.wav: 20.93 秒
output/out_782.wav: 28.55 秒
output/out_790.wav: 27.47 秒
output/out_798.wav: 26.95 秒
output/out_808.wav: 27.68 秒
output/out_813.wav: 29.69 秒
output/out_820.wav: 27.93 秒
output/out_829.wav: 22.72 秒
output/out_834.wav: 25.10 秒
output/out_846.wav: 27.81 秒
output/out_852.wav: 22.04 秒
output/out_857.wav: 22.94 秒
output/out_862.wav: 26.65 秒
output/out_869.wav: 25.50 秒
output/out_876.wav: 28.83 秒
output/out_882.wav: 29.11 秒
output/out_890.wav: 29.71 秒
output/out_896.wav: 24.70 秒
output/out_903.wav: 29.57 秒
output/out_911.wav: 19.05 秒
output/out_919.wav: 27.17 秒
output/out_927.wav: 27.79 秒
output/out_936.wav: 29.89 秒
output/out_949.wav: 29.37 秒
output/out_960.wav: 28.01 秒
output/out_965.wav: 29.61 秒
output/out_974.wav: 28.61 秒
output/out_984.wav: 29.90 秒
output/out_994.wav: 28.46 秒
output/out_1005.wav: 26.06 秒
output/out_1013.wav: 29.81 秒
output/out_1020.wav: 23.66 秒
output/out_1027.wav: 29.96 秒
output/out_1033.wav: 29.65 秒
output/out_1045.wav: 24.91 秒
output/out_1050.wav: 24.46 秒
output/out_1055.wav: 26.98 秒
output/out_1063.wav: 29.78 秒
output/out_1074.wav: 28.51 秒
output/out_1084.wav: 25.34 秒
output/out_1095.wav: 29.61 秒
output/out_1106.wav: 29.21 秒
output/out_1111.wav: 23.56 秒
output/out_1114.wav: 21.89 秒
output/out_1120.wav: 28.09 秒
output/out_1125.wav: 27.42 秒
output/out_1132.wav: 26.65 秒
output/out_1142.wav: 23.88 秒
output/out_1148.wav: 28.92 秒
output/out_1157.wav: 29.34 秒
output/out_1167.wav: 29.78 秒
output/out_1179.wav: 29.09 秒
output/out_1190.wav: 27.23 秒
output/out_1195.wav: 29.14 秒
output/out_1207.wav: 29.58 秒
output/out_1213.wav: 28.59 秒
output/out_1223.wav: 28.96 秒
output/out_1227.wav: 20.07 秒
output/out_1233.wav: 27.47 秒
output/out_1244.wav: 28.57 秒
output/out_1250.wav: 21.65 秒
output/out_1254.wav: 25.33 秒
output/out_1260.wav: 27.07 秒
output/out_1270.wav: 28.40 秒
output/out_1276.wav: 13.72 秒
output/out_1278.wav: 26.64 秒
output/out_1285.wav: 25.61 秒
output/out_1290.wav: 24.97 秒
output/out_1296.wav: 22.55 秒
output/out_1306.wav: 28.02 秒
output/out_1311.wav: 29.85 秒
output/out_1320.wav: 23.07 秒
output/out_1323.wav: 28.92 秒
output/out_1331.wav: 26.12 秒
output/out_1339.wav: 26.03 秒
output/out_1348.wav: 29.80 秒
output/out_1357.wav: 29.73 秒
output/out_1365.wav: 27.91 秒
output/out_1378.wav: 29.91 秒
number of chunks: 1378
result length: 83.69 分 ( 10.25 分 cutted)
avg chunk length: 3.64 秒

real    3m46.881s
user    3m32.862s
sys     0m7.799s

import os
import subprocess
import sys
import pydub
from pydub import AudioSegment
from pydub.silence import split_on_silence

src_file = "sample.m4a"
work_dir = "work"

os.makedirs(work_dir, exist_ok=True)

max_file_size = 25 * 1000 * 1000 * 0.9   # Whisper APIに送信できるのは25MBまで。10%ほどブレを見込んでおく。

# split_on_silenceで分割する際のパラメータ。適宜調整。
min_silence_len = 500
keep_silence = 500
silence_thresh = -90

# mp3以外はmp3に変換する
if os.path.splitext(src_file)[-1] != ".mp3":
    sampling_rate = 44100
    bit_rate = 128
    output_file = os.path.splitext(src_file)[0] + ".mp3"
    cmd = "ffmpeg -y -i {} -ar {} -ab {}k {}".format(
        src_file, sampling_rate, bit_rate, output_file
    )
    resp = subprocess.check_output(cmd, shell=True)
    src_file = output_file

sound = AudioSegment.from_file(src_file, format="mp3")
total_length = len(sound)
total_size = os.path.getsize(src_file)
max_length = total_length * (max_file_size / total_size)     # ファイルサイズと時間から、分割する最大時間を取得する

# 無音部分をカットして分割
chunks = split_on_silence(
    sound,
    min_silence_len=min_silence_len,
    silence_thresh=silence_thresh,
    keep_silence=keep_silence,
)

num_of_chunks = len(chunks)

def output_mp3(chunk, output):
    chunk.export(output, format="mp3")
    s = AudioSegment.from_file(output, "mp3")

# 分割したチャンクをmax_lengthごとに結合
current_chunk = None
for i, c in enumerate(chunks):
    if current_chunk is None:
        current_chunk = c
        continue
    temp_chunk = current_chunk + c
    outFilePath = f"{work_dir}/out_{i + 1}.mp3"
    if len(temp_chunk) > max_length:
        output_mp3(current_chunk, outFilePath)
        current_chunk = c
    else:
        if i == len(chunks) - 1:
            output_mp3(temp_chunk, outFilePath)
        else:
            current_chunk += c