C音频格式转换及音视频分离方面的应用.pdfVIP

维普资讯 第25卷 计算机应用 Vo1．25 2005年 l2月 ComputerApplications Dec．2005 文章编号：1001—9081(2005)12Z一0387—04 DirectShow技术在音频格式转换及音视频分离方面的应用 徐 燃，潘接林 (中国科学院 声学研究所，北京 100080) (rxu@hee1．ioa．ac．cn) 摘 要：目前语音识别系统的输入都是线性PCM格式的音频文件，然而在实际应用中，需要识别 各种格式音频文件以及视频流中的音频，在开始识别前，需要进行音频格式转换并从视频流中进行音 频提取。因此，音频格式的转换和从视频中分离出音频信号已成为语音识别系统一种必需的预处理 过程。文中介绍了一种将Microsoft的DirectShow技术应用于Windows平台的多种压缩音频格式转换 为WindowsPCMWAV格式以及从多媒体视频中分离音频信号的方法，并分析 了常见音频压缩编码 格式经转换后对语音iY,~q系统性能的影响。这对于语音识别技术在实际中的应用有着重要的意义。 关键词：DirectShow；语音识别；音频格式转换；音视频分离 中图分类号：TP37 文献标识码：A DirectShow应用程序时，需要了解 COM客户端编程的一些基 0 引言 本概念。大多数情况下，DimctShow提供了满足大多数应用 随着互联网和多媒体技术的发展，声音文件的载体也越 需求的COM组件，用户不需要 自己编写组件。但如果应用程 来越多样化 ，如 MPEG标准中的音视频格式 (MP3、MPEG-2 序需要用到特定功能的组件时，也可以自己编写组件功能并 等)、RealMedia的流媒体格式(RA、RM、RMVB等)、微软的 封装为COM在本机进行注册使用。 Windows流媒体格式(ASF、WMA、WMV等)以及新近出现的 1．2 DirectShow编程框架 OGG等格式。这些格式以高压缩比实现对原有音视频信号 1．2．1 Filter和 FilterGraph 的高质量编码，从而大大降低媒体文件的大小，方便存储和传 DirectShow的组成模块是一种称之为Filter的COM组 输。 件，每一个 Filter完成多媒体数据流上的某些功能。例如， 语音识别技术的发展扩大了它的应用范围，对以非 PCM DirectShow的Filter可以具有以下功能： (脉冲编码调制)格式编码的语音信号也提出了识别要求。 · 读写文件； 在进行语音识别之前，首先要从语音信号中提取特征，而目前 · 从视频和音频捕捉设备获取音视频流； 特征提取都是在线性PCM基础上进行的，因此要识别其他格 · 对各种媒体流格式进行解码，如MPEG．1视频流、AVI 式的文件，就必须先将这些文件转换为线性PCM的编码格 流等； 式。虽然 目前有多种软件可以实现格式之间的转换，但因其 · 将数据传送给图形卡和声卡等。 缺乏通用性、功能和支持格式有限、转换速度慢以及难以集成 Filter接收输入并产生输 出，如果一个 Filter对MPEG．1 到语音识别系统中等缺点，很难直接应用于识别系统。 视频流进行解码 ，那么输入为MPEG的码流，而输出则为一系 Microsoft提供的DirectShow技术简化了媒体播放、格式