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，（freq.wav数据地址）

# -*- encoding:utf-8 -*-import numpy as npimport numpy.fft as nfimport scipy.io.wavfile as wfimport matplotlib.pyplot as pltsample_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_ratefreqs = 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 sfsample_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_featuresimport scipy.io.wavfile as wfimport python_speech_features as sfimport matplotlib.pyplot as mpsample_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

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）。

2、把所有类别为apple的mfcc合并在一起，形成训练集。

　　| mfcc |　　 |
　　| mfcc | apple |
　　| mfcc |　　 |
　　.....
　　由上述训练集样本可以训练一个用于匹配apple的HMM。

3、训练7个HMM分别对应每个水果类别。 保存在列表中。

4、读取testing文件夹中的测试样本，整理测试样本

　　| mfcc | apple |
　　| mfcc | lime |
​
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。

import osimport numpy as npimport scipy.io.wavfile as wfimport python_speech_features as sfimport 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): # 使传过来的directory匹配当前操作系统 # {'apple':[url, url, url ... ], 'banana':[...]} 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] 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('../ml_data/speeches/training')​'''

2. 把所有类别为apple的mfcc合并在一起，形成训练集。

| mfcc | | | mfcc | apple | | mfcc | | ..... 由上述训练集样本可以训练一个用于匹配apple的HMM。'''train_x, train_y = [], []# 遍历7次 apple/banana/...for label, filenames in train_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) train_x.append(mfccs) train_y.append(label)'''训练集: train_x train_y ---------------- | mfcc | | | mfcc | apple | | mfcc | | ---------------- | mfcc | | | mfcc | banana | | mfcc | | ----------------- | mfcc | | | mfcc | lime | | mfcc | | -----------------'''# {'apple':object, 'banana':object ...}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)'''

4. 读取testing文件夹中的测试样本，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。

'''#读取测试集数据test_samples = \ search_file('../ml_data/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)​'''测试集： test_x test_y ----------------- | mfcc | apple | ----------------- | mfcc | banana | ----------------- | mfcc | lime | -----------------'''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, Nonefor label, model in models.items():score = model.score(mfccs)if (best_score is None) or (best_score<score):best_score = scorebest_label = labelpred_test_y.append(best_label)​print(test_y)print(pred_test_y)

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：

import jsonimport numpy as npimport scipy.io.wavfile as wfwith 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 = 44100music = 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 ** 15music = music.astype(np.int16)wf.write('../data/music.wav', sample_rate, music)

总结

以上所述是小编给大家介绍的Python实现语音识别和语音合成功能,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！