基于python的语音识别「这波很稳是什么梗」

作者 | 李秋键

责编 | Carol

封图 | CSDN 付费下载自视觉中国

近几年来语音识别技术得到了迅速发展，从手机中的Siri语音智能助手、微软的小娜以及各种平台的智能音箱等等，各种语音识别的项目得到了广泛应用。

语音识别属于感知智能，而让机器从简单的识别语音到理解语音，则上升到了认知智能层面，机器的自然语言理解能力如何，也成为了其是否有智慧的标志，而自然语言理解正是目前难点。

同时考虑到目前大多数的语音识别平台都是借助于智能云，对于语音识别的训练对于大多数人而言还较为神秘，故今天我们将利用python搭建自己的语音识别系统。

最终模型的识别效果如下：

实验前的准备

首先我们使用的python版本是3.6.5所用到的库有cv2库用来图像处理；

Numpy库用来矩阵运算；Keras框架用来训练和加载模型。Librosa和python_speech_features库用于提取音频特征。Glob和pickle库用来读取本地数据集。

数据集准备

首先数据集使用的是清华大学的thchs30中文数据。

这些录音根据其文本内容分成了四部分，A（句子的ID是1~250），B（句子的ID是251~500），C（501~750），D（751~1000）。ABC三组包括30个人的10893句发音，用来做训练，D包括10个人的2496句发音，用来做测试。

data文件夹中包含（.wav文件和.trn文件；trn文件里存放的是.wav文件的文字描述:第一行为词，第二行为拼音，第三行为音素）；

数据集如下：

模型训练

1、提取语音数据集的MFCC特征：首先人的声音是通过声道产生的，声道的形状决定了发出怎样的声音。如果我们可以准确的知道这个形状，那么我们就可以对产生的音素进行准确的描述。声道的形状在语音短时功率谱的包络中显示出来。而MFCCs就是一种准确描述这个包络的一种特征。

其中提取的MFCC特征如下图可见。

故我们在读取数据集的基础上，要将其语音特征提取存储以方便加载入神经网络进行训练。

其对应的代码如下：

#读取数据集文件

text_paths = glob.glob("data/*.trn")

total = len(text_paths)

print(total)

with open(text_paths[0], "r", encoding="utf8") as fr:

lines = fr.readlines

print(lines)

#数据集文件trn内容读取保存到数组中

texts =

paths =

for path in text_paths:

with open(path, "r", encoding="utf8") as fr:

lines = fr.readlines

line = lines[0].strip("n").replace(" ", "")

texts.append(line)

paths.append(path.rstrip(".trn"))

print(paths[0], texts[0])

#定义mfcc数

mfcc_dim = 13

#根据数据集标定的音素读入

def load_and_trim(path):

audio, sr = librosa.load(path)

energy = librosa.feature.rmse(audio)

frames = np.nonzero(energy >= np.max(energy) / 5)

indices = librosa.core.frames_to_samples(frames)[1]

audio = audio[indices[0]:indices[-1]] if indices.size else audio[0:0]

return audio, sr

#提取音频特征并存储

features =

for i in tqdm(range(total)):

path = paths[i]

audio, sr = load_and_trim(path)

features.append(mfcc(audio, sr, numcep=mfcc_dim, nfft=551))

print(len(features), features[0].shape)

2、神经网络预处理：在进行神经网络加载训练前，我们需要对读取的MFCC特征进行归一化，主要目的是为了加快收敛，提高效果和减少干扰。然后处理好数据集和标签定义输入和输出即可。

对应代码如下：

#随机选择100个数据集

samples = random.sample(features, 100)

samples = np.vstack(samples)

#平均MFCC的值为了归一化处理

mfcc_mean = np.mean(samples, axis=0)

#计算标准差为了归一化

mfcc_std = np.std(samples, axis=0)

print(mfcc_mean)

print(mfcc_std)

#归一化特征

features = [(feature - mfcc_mean) / (mfcc_std 1e-14) for feature in features]

#将数据集读入的标签和对应id存储列表

chars = {}

for text in texts:

for c in text:

chars[c] = chars.get(c, 0) 1

chars = sorted(chars.items, key=lambda x: x[1], reverse=True)

chars = [char[0] for char in chars]

print(len(chars), chars[:100])

char2id = {c: i for i, c in enumerate(chars)}

id2char = {i: c for i, c in enumerate(chars)}

data_index = np.arange(total)

np.random.shuffle(data_index)

train_size = int(0.9 * total)

test_size = total - train_size

train_index = data_index[:train_size]

test_index = data_index[train_size:]

#神经网络输入和输出X,Y的读入数据集特征

X_train = [features[i] for i in train_index]

Y_train = [texts[i] for i in train_index]

X_test = [features[i] for i in test_index]

Y_test = [texts[i] for i in test_index]

3、神经网络函数定义：

其中包括训练的批次，卷积层函数、标准化函数、激活层函数等等。

其中第⼀个维度为⼩⽚段的个数，原始语⾳越长，第⼀个维度也越⼤， 第⼆个维度为 MFCC 特征的维度。得到原始语⾳的数值表⽰后，就可以使⽤ WaveNet 实现。由于 MFCC 特征为⼀维序列，所以使⽤ Conv1D 进⾏卷积。 因果是指，卷积的输出只和当前位置之前的输⼊有关，即不使⽤未来的 特征，可以理解为将卷积的位置向前偏移。WaveNet 模型结构如下所⽰：

具体如下可见：

batch_size = 16

#定义训练批次的产生，一次训练16个

def batch_generator(x, y, batch_size=batch_size):

offset = 0

while True:

offset = batch_size

if offset == batch_size or offset >= len(x):

data_index = np.arange(len(x))

np.random.shuffle(data_index)

x = [x[i] for i in data_index]

y = [y[i] for i in data_index]

offset = batch_size

X_data = x[offset - batch_size: offset]

Y_data = y[offset - batch_size: offset]

X_maxlen = max([X_data[i].shape[0] for i in range(batch_size)])

Y_maxlen = max([len(Y_data[i]) for i in range(batch_size)])

X_batch = np.zeros([batch_size, X_maxlen, mfcc_dim])

Y_batch = np.ones([batch_size, Y_maxlen]) * len(char2id)

X_length = np.zeros([batch_size, 1], dtype="int32")

Y_length = np.zeros([batch_size, 1], dtype="int32")

for i in range(batch_size):

X_length[i, 0] = X_data[i].shape[0]

X_batch[i, :X_length[i, 0], :] = X_data[i]

Y_length[i, 0] = len(Y_data[i])

Y_batch[i, :Y_length[i, 0]] = [char2id[c] for c in Y_data[i]]

inputs = {"X": X_batch, "Y": Y_batch, "X_length": X_length, "Y_length": Y_length}

outputs = {"ctc": np.zeros([batch_size])}

epochs = 50

num_blocks = 3

filters = 128

X = Input(shape=(None, mfcc_dim,), dtype="float32", name="X")

Y = Input(shape=(None,), dtype="float32", name="Y")

X_length = Input(shape=(1,), dtype="int32", name="X_length")

Y_length = Input(shape=(1,), dtype="int32", name="Y_length")

#卷积1层

def conv1d(inputs, filters, kernel_size, dilation_rate):

return Conv1D(filters=filters, kernel_size=kernel_size, strides=1, padding="causal", activation=None,

dilation_rate=dilation_rate)(inputs)

#标准化函数

def batchnorm(inputs):

return BatchNormalization(inputs)

#激活层函数

def activation(inputs, activation):

return Activation(activation)(inputs)

#全连接层函数

def res_block(inputs, filters, kernel_size, dilation_rate):

hf = activation(batchnorm(conv1d(inputs, filters, kernel_size, dilation_rate)), "tanh")

hg = activation(batchnorm(conv1d(inputs, filters, kernel_size, dilation_rate)), "sigmoid")

h0 = Multiply([hf, hg])

ha = activation(batchnorm(conv1d(h0, filters, 1, 1)), "tanh")

hs = activation(batchnorm(conv1d(h0, filters, 1, 1)), "tanh")

return Add([ha, inputs]), hs

h0 = activation(batchnorm(conv1d(X, filters, 1, 1)), "tanh")

shortcut =

for i in range(num_blocks):

for r in [1, 2, 4, 8, 16]:

h0, s = res_block(h0, filters, 7, r)

shortcut.append(s)

h1 = activation(Add(shortcut), "relu")

h1 = activation(batchnorm(conv1d(h1, filters, 1, 1)), "relu")

#softmax损失函数输出结果

Y_pred = activation(batchnorm(conv1d(h1, len(char2id) 1, 1, 1)), "softmax")

sub_model = Model(inputs=X, outputs=Y_pred)

#计算损失函数

def calc_ctc_loss(args):

y, yp, ypl, yl = args

return K.ctc_batch_cost(y, yp, ypl, yl)

4、模型的训练：

训练的过程如下可见：

ctc_loss = Lambda(calc_ctc_loss, output_shape=(1,), name="ctc")([Y, Y_pred, X_length, Y_length])

#加载模型训练

model = Model(inputs=[X, Y, X_length, Y_length], outputs=ctc_loss)

#建立优化器

optimizer = SGD(lr=0.02, momentum=0.9, nesterov=True, clipnorm=5)

#激活模型开始计算

model.compile(loss={"ctc": lambda ctc_true, ctc_pred: ctc_pred}, optimizer=optimizer)

checkpointer = ModelCheckpoint(filepath="asr.h5", verbose=0)

lr_decay = ReduceLROnPlateau(monitor="loss", factor=0.2, patience=1, min_lr=0.000)

#开始训练

history = model.fit_generator(

generator=batch_generator(X_train, Y_train),

steps_per_epoch=len(X_train) // batch_size,

epochs=epochs,

validation_data=batch_generator(X_test, Y_test),

validation_steps=len(X_test) // batch_size,

callbacks=[checkpointer, lr_decay])

#保存模型

sub_model.save("asr.h5")

#将字保存在pl=pkl中

with open("dictionary.pkl", "wb") as fw:

pickle.dump([char2id, id2char, mfcc_mean, mfcc_std], fw)

train_loss = history.history["loss"]

valid_loss = history.history["val_loss"]

plt.plot(np.linspace(1, epochs, epochs), train_loss, label="train")

plt.plot(np.linspace(1, epochs, epochs), valid_loss, label="valid")

plt.legend(loc="upper right")

plt.xlabel("Epoch")

plt.ylabel("Loss")

plt.show

测试模型

读取我们语音数据集生成的字典，通过调用模型来对音频特征识别。

代码如下：

wavs = glob.glob("A2_103.wav")

print(wavs)

with open("dictionary.pkl", "rb") as fr:

[char2id, id2char, mfcc_mean, mfcc_std] = pickle.load(fr)

mfcc_dim = 13

model = load_model("asr.h5")

index = np.random.randint(len(wavs))

print(wavs[index])

audio, sr = librosa.load(wavs[index])

energy = librosa.feature.rmse(audio)

frames = np.nonzero(energy >= np.max(energy) / 5)

indices = librosa.core.frames_to_samples(frames)[1]

audio = audio[indices[0]:indices[-1]] if indices.size else audio[0:0]

X_data = mfcc(audio, sr, numcep=mfcc_dim, nfft=551)

X_data = (X_data - mfcc_mean) / (mfcc_std 1e-14)

print(X_data.shape)

pred = model.predict(np.expand_dims(X_data, axis=0))

pred_ids = K.eval(K.ctc_decode(pred, [X_data.shape[0]], greedy=False, beam_width=10, top_paths=1)[0][0])

pred_ids = pred_ids.flatten.tolist

print("".join([id2char[i] for i in pred_ids]))

yield (inputs, outputs)

到这里，我们整体的程序就搭建完成，下面为我们程序的运行结果：

源码地址：

https://pan.baidu.com/s/1tFlZkMJmrMTD05cd_zxmAg

提取码：ndrr

数据集需要自行下载。

作者简介：

李秋键，CSDN博客专家，CSDN达人课作者。硕士在读于中国矿业大学，开发有taptap竞赛获奖等等。