Python实现语音识别和语音合成
声音的本质是震动，震动的本质是位移关于时间的函数，波形文件(.wav)中记录了不同采样时刻的位移。
通过傅里叶变换，可以将时间域的声音函数分解为一系列不同频率的正弦函数的叠加，通过频率谱线的特殊分布，建立音频内容和文本的对应关系，以此作为模型训练的基础。
案例：画出语音信号的波形和频率分布
python"># -*- encoding:utf-8 -*-import numpy as np
import numpy.fft as nf
import scipy.io.wavfile as wf
import matplotlib.pyplot as plt
sample_rate, sigs = wf.read("../machine_learning_date/freq.wav")
print(sample_rate) # 8000采样率
print(sigs.shape) # (3251,)
sigs = sigs / (2 ** 15) # 归一化
times = np.arange(len(sigs)) / sample_rate
freqs = nf.fftfreq(sigs.size, 1 / sample_rate)
ffts = nf.fft(sigs)
pows = np.abs(ffts)
plt.figure("Audio")
plt.subplot(121)
plt.title("Time Domain")
plt.xlabel("Time", fontsize=12)
plt.ylabel("Signal", fontsize=12)
plt.tick_params(labelsize=10)
plt.grid(linestyle=":")
plt.plot(times, sigs, c="dodgerblue", label="Signal")
plt.legend()
plt.subplot(122)
plt.title("Frequency Domain")
plt.xlabel("Frequency", fontsize=12)
plt.ylabel("Power", fontsize=12)
plt.tick_params(labelsize=10)
plt.grid(linestyle=":")
plt.plot(freqs[freqs >= 0], pows[freqs >= 0], c="orangered", label="Power")
plt.legend()
plt.tight_layout()
plt.show()
语音识别
梅尔频率倒谱系数(MFCC)通过与声音内容密切相关的13个特殊频率所对应的能量分布，可以使用梅尔频率倒谱系数矩阵作为语音识别的特征。基于隐马尔科夫模型进行模式识别，找到测试样本最匹配的声音模型，从而识别语音内容。
MFCC
梅尔频率倒谱系数相关API：
import scipy.io.wavfile as wfimport python_speech_features as sf
sample_rate, sigs = wf.read("../data/freq.wav")
mfcc = sf.mfcc(sigs, sample_rate)
案例：画出MFCC矩阵：
python -m pip install python_speech_features
import scipy.io.wavfile as wfimport python_speech_features as sf
import matplotlib.pyplot as mp
sample_rate, sigs = wf.read(
"../ml_data/speeches/training/banana/banana01.wav")
mfcc = sf.mfcc(sigs, sample_rate)
mp.matshow(mfcc.T, cmap="gist_rainbow")
mp.show()
隐马尔科夫模型
隐马尔科夫模型相关API：
import hmmlearn.hmm as hlmodel = hl.GaussianHMM(n_components=4, covariance_type="diag", n_iter=1000)
# n_components: 用几个高斯分布函数拟合样本数据
# covariance_type: 相关矩阵的辅对角线进行相关性比较
# n_iter: 最大迭代上限
model.fit(mfccs) # 使用模型匹配测试mfcc矩阵的分值 score = model.score(test_mfccs)
案例：训练training文件夹下的音频，对testing文件夹下的音频文件做分类
语音识别设计思路
1、读取training文件夹中的训练音频样本，每个音频对应一个mfcc矩阵，每个mfcc都有一个类别（apple）
import osimport numpy as np
import scipy.io.wavfile as wf
import python_speech_features as sf
import hmmlearn.hmm as hl
# 1. 读取training文件夹中的训练音频样本，每个音频对应一个mfcc矩阵，每个mfcc都有一个类别(apple...)。
def search_file(directory):
"""
:param directory: 训练音频的路径
:return: 字典{"apple":[url, url, url ... ], "banana":[...]}
"""
# 使传过来的directory匹配当前操作系统
directory = os.path.normpath(directory)
objects = {}
# curdir：当前目录
# subdirs: 当前目录下的所有子目录
# files: 当前目录下的所有文件名
for curdir, subdirs, files in os.walk(directory):
for file in files:
if file.endswith(".wav"):
label = curdir.split(os.path.sep)[-1] # os.path.sep为路径分隔符
if label not in objects:
objects[label] = []
# 把路径添加到label对应的列表中
path = os.path.join(curdir, file)
objects[label].append(path)
return objects
# 读取训练集数据
train_samples = search_file("../machine_learning_date/speeches/training")
2、把所有类别为apple的mfcc合并在一起，形成训练集。
训练集:
train_x：[mfcc1,mfcc2,mfcc3,...],[mfcc1,mfcc2,mfcc3,...]...train_y：[apple],[banana]...
由上述训练集样本可以训练一个用于匹配apple的HMM。
#Python学习交流群：778463939train_x, train_y = [], []
# 遍历字典
for label, filenames in train_samples.items():
# [("apple", ["url1,,url2..."])
# [("banana"),("url1,url2,url3...")]...
mfccs = np.array([])
for filename in filenames:
sample_rate, sigs = wf.read(filename)
mfcc = sf.mfcc(sigs, sample_rate)
if len(mfccs) == 0:
mfccs = mfcc
else:
mfccs = np.append(mfccs, mfcc, axis=0)
train_x.append(mfccs)
train_y.append(label)
3、训练7个HMM分别对应每个水果类别。 保存在列表中。
# 训练模型，有7个句子，创建了7个模型models = {}
for mfccs, label in zip(train_x, train_y):
model = hl.GaussianHMM(n_components=4, covariance_type="diag", n_iter=1000)
models[label] = model.fit(mfccs) # # {"apple":object, "banana":object ...}
4、读取testing文件夹中的测试样本，整理测试样本
测试集数据：
test_x： [mfcc1, mfcc2, mfcc3...]
test_y ：[apple, banana, lime]
# 读取测试集数据test_samples = search_file("../machine_learning_date/speeches/testing")
test_x, test_y = [], []
for label, filenames in test_samples.items():
mfccs = np.array([])
for filename in filenames:
sample_rate, sigs = wf.read(filename)
mfcc = sf.mfcc(sigs, sample_rate)
if len(mfccs) == 0:
mfccs = mfcc
else:
mfccs = np.append(mfccs, mfcc, axis=0)
test_x.append(mfccs)
test_y.append(label)
5、针对每一个测试样本：
1、分别使用7个HMM模型，对测试样本计算score得分。
2、取7个模型中得分最高的模型所属类别作为预测类别。
pred_test_y = []for mfccs in test_x:
# 判断mfccs与哪一个HMM模型更加匹配
best_score, best_label = None, None
# 遍历7个模型
for label, model in models.items():
score = model.score(mfccs)
if (best_score is None) or (best_score < score):
best_score = score
best_label = label
pred_test_y.append(best_label)
print(test_y) # ["apple", "banana", "kiwi", "lime", "orange", "peach", "pineapple"]
print(pred_test_y) # ["apple", "banana", "kiwi", "lime", "orange", "peach", "pineapple"]
声音合成
根据需求获取某个声音的模型频域数据，根据业务需要可以修改模型数据，逆向生成时域数据，完成声音的合成。
案例，（数据集12.json地址）：
import jsonimport numpy as np
import scipy.io.wavfile as wf
with open("../data/12.json", "r") as f:
freqs = json.loads(f.read())
tones = [
("G5", 1.5),
("A5", 0.5),
("G5", 1.5),
("E5", 0.5),
("D5", 0.5),
("E5", 0.25),
("D5", 0.25),
("C5", 0.5),
("A4", 0.5),
("C5", 0.75)]
sample_rate = 44100
music = np.empty(shape=1)
for tone, duration in tones:
times = np.linspace(0, duration, duration * sample_rate)
sound = np.sin(2 * np.pi * freqs[tone] * times)
music = np.append(music, sound)
music *= 2 ** 15
music = music.astype(np.int16)
wf.write("../data/music.wav", sample_rate, music)
以上是 Python实现语音识别和语音合成 的全部内容， 来源链接： utcz.com/z/530280.html
