聲音的本質是震動，震動的本質是位移關于時間的函式，波形檔案(.wav)中記錄了不同采樣時刻的位移，
通過傅里葉變換，可以將時間域的聲音函式分解為一系列不同頻率的正弦函式的疊加，通過頻率譜線的特殊分布，建立音頻內容和文本的對應關系，以此作為模型訓練的基礎，
案例：畫出語音信號的波形和頻率分布
# -*- 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采樣率
print(sigs.shape) # (3251,)
sigs = sigs / (2 ** 15) # 歸一化
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()
語音識別
梅爾頻率倒譜系數(MFCC)通過與聲音內容密切相關的13個特殊頻率所對應的能量分布，可以使用梅爾頻率倒譜系數矩陣作為語音識別的特征，基于隱馬爾科夫模型進行模式識別，找到測驗樣本最匹配的聲音模型，從而識別語音內容，
MFCC
梅爾頻率倒譜系數相關API：
import scipy.io.wavfile as wf
import python_speech_features as sf
?
sample_rate, sigs = wf.read('../data/freq.wav')
mfcc = sf.mfcc(sigs, sample_rate)
案例：畫出MFCC矩陣：
python -m pip install python_speech_features
import scipy.io.wavfile as wf
import 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()
隱馬爾科夫模型
隱馬爾科夫模型相關API：
import hmmlearn.hmm as hl
model = hl.GaussianHMM(n_components=4, covariance_type='diag', n_iter=1000)
# n_components: 用幾個高斯分布函式擬合樣本資料
# covariance_type: 相關矩陣的輔對角線進行相關性比較
# n_iter: 最大迭代上限
model.fit(mfccs) # 使用模型匹配測驗mfcc矩陣的分值 score = model.score(test_mfccs)
案例：訓練training檔案夾下的音頻，對testing檔案夾下的音頻檔案做分類
語音識別設計思路
1、讀取training檔案夾中的訓練音頻樣本，每個音頻對應一個mfcc矩陣，每個mfcc都有一個類別（apple）
import os
import numpy as np
import scipy.io.wavfile as wf
import python_speech_features as sf
import hmmlearn.hmm as hl
# 1. 讀取training檔案夾中的訓練音頻樣本，每個音頻對應一個mfcc矩陣，每個mfcc都有一個類別(apple...)，
def search_file(directory):
"""
:param directory: 訓練音頻的路徑
:return: 字典{'apple':[url, url, url ... ], 'banana':[...]}
"""
# 使傳過來的directory匹配當前作業系統
directory = os.path.normpath(directory)
objects = {}
# curdir：當前目錄
# subdirs: 當前目錄下的所有子目錄
# files: 當前目錄下的所有檔案名
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為路徑分隔符
if label not in objects:
objects[label] = []
# 把路徑添加到label對應的串列中
path = os.path.join(curdir, file)
objects[label].append(path)
return objects
# 讀取訓練集資料
train_samples = search_file('../machine_learning_date/speeches/training')
2、把所有類別為apple的mfcc合并在一起，形成訓練集，
訓練集:
train_x：[mfcc1,mfcc2,mfcc3,...],[mfcc1,mfcc2,mfcc3,...]...
train_y：[apple],[banana]...
由上述訓練集樣本可以訓練一個用于匹配apple的HMM，
#Python學習交流群：778463939
train_x, train_y = [], []
# 遍歷字典
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、訓練7個HMM分別對應每個水果類別， 保存在串列中，
# 訓練模型，有7個句子，創建了7個模型
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、讀取testing檔案夾中的測驗樣本，整理測驗樣本
測驗集資料：
test_x： [mfcc1, mfcc2, mfcc3...]
test_y ：[apple, banana, lime]
# 讀取測驗集資料
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、針對每一個測驗樣本：
1、分別使用7個HMM模型，對測驗樣本計算score得分，
2、取7個模型中得分最高的模型所屬類別作為預測類別，
pred_test_y = []
for mfccs in test_x:
# 判斷mfccs與哪一個HMM模型更加匹配
best_score, best_label = None, None
# 遍歷7個模型
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']
聲音合成
根據需求獲取某個聲音的模型頻域資料，根據業務需要可以修改模型資料，逆向生成時域資料，完成聲音的合成，
案例，（資料集12.json地址）：
import json
import 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)
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/194414.html
標籤：Python
上一篇：Python實作批量圖片壓縮