分析广播广告分布

一个人的好奇心能把项目带到哪里？我开着一辆20年前的老车，没AUX没蓝牙，只能听模拟广播。在悉尼开车时我发现个奇怪的现象：很多时候我切台，发现所有频道都在播广告，甚至有些广告内容还一模一样。这种“同步感”让我觉得这背后肯定有某种排期规律。

为了验证这个直觉，我搞了一套同步采样方案，虽然没什么商业价值，但用传统数据分析结合AI工具跑一遍流程确实挺爽的。

方案实现与技术链路

核心难点在于如何保证“同步”。如果顺序录制，时间差会导致无法分析不同电台的广告相关性。

一、同步抓取音频
我找到了悉尼11个主要电台（包括AM和FM）的在线流媒体地址，然后写了一个多线程脚本，利用 ffmpeg 同时对这11个流进行截取。每次截取18秒，采样率强制下采样到16kHz单声道，以减少后续处理的内存压力。

具体的 ffmpeg 截取逻辑大致如下：

ffmpeg -i "http://stream-url-here" -t 18 -ar 16000 -ac 1 output.wav

通过 Python 的 ThreadPoolExecutor 同时启动11个这样的进程，确保每个片段的时间戳是完全一致的。

二、语音转文字 (STT)
录完音频后，我没有用云端 API，而是直接在本地跑了一个从 Hugging Face 下载的 Whisper 模型（大约500MB那个版本）。每个18秒的片段被转成文本片段。

三、内容分类
拿到文本后，我用 GPT-4o-mini 做了一个简单的分类器。因为这种任务对推理能力要求极低，mini 版本的成本几乎可以忽略不计。提示词很简单，要求它将文本归类为：Ad (广告), Song (歌曲), 或 Talking (谈话)。

踩坑细节与实测观察

在实操过程中，有几个点需要注意：

• 采样时长陷阱：最初我尝试录制10秒，但发现很多广播广告的衔接点在10-15秒之间，导致分类结果出现大量模糊地带。后来增加到18秒，分类准确率明显提升。
• Whisper 的幻听问题：在录到纯音乐片段时，Whisper 有时会随机生成一些莫名其妙的短句（比如 "Thank you for watching"），这会导致 GPT-4o-mini 误判为 Talking。解决方法是在提示词中加入对“无意义短语”的过滤逻辑。

实测发现的有趣数据：

• 广告同步率：果然验证了我的猜想，部分商业电台的广告时间点高度重合，这说明广告投放有某种统一的排期机制。
• 时间分布：每小时的整点前后，广告的出现频率明显高于每小时的中间时段。

总结工具链

这次实操的完整工作流：
Online Streams → ffmpeg (Parallel Recording) → Local Whisper (STT) → GPT-4o-mini (Classification) → Data Analysis

这种“传统采样+AI分类”的组合比纯靠人工标注快了不止一个量级。如果你也想分析某种周期性音频信号，这套 ffmpeg + Whisper 的组合非常稳。