概述

语音识别是当前人工智能的比较热门的方向，技术也比较成熟，各大公司也相继推出了各自的语音助手机器人，如百度的小度机器人、阿里的天猫精灵等。语音识别算法当前主要是由rnn、lstm、dnn-hmm等机器学习和深度学习技术做支撑。但训练这些模型的第一步就是将音频文件数据化，提取当中的语音特征。

mp3文件转化为wav文件

录制音频文件的软件大多数都是以mp3格式输出的，但mp3格式文件对语音的压缩比例较重，因此首先利用ffmpeg将转化为wav原始文件有利于语音特征的提取。其转化代码如下：

from pydub import audiosegment

import pydub

def mp32wav(mp3_path,wav_path):

"""

这是mp3文件转化成wav文件的函数

:param mp3_path: mp3文件的地址

:param wav_path: wav文件的地址

"""

pydub.audiosegment.converter = "d:\\ffmpeg\\bin\\ffmpeg.exe"

mp3_file = audiosegment.from_mp3(file=mp3_path)

mp3_file.export(wav_path,format="wav")

读取wav语音文件，对语音进行采样

利用wave库对语音文件进行采样。

代码如下：

import wave

import json

def read_wav(wav_path):

"""

这是读取wav文件的函数，音频数据是单通道的。返回json

:param wav_path: wav文件的地址

"""

wav_file = wave.open(wav_path,'r')

numchannel = wav_file.getnchannels() # 声道数

samplewidth = wav_file.getsampwidth() # 量化位数

framerate = wav_file.getframerate() # 采样频率

numframes = wav_file.getnframes() # 采样点数

print("channel", numchannel)

print("sample_width", samplewidth)

print("framerate", framerate)

print("numframes", numframes)

wav_data = wav_file.readframes(numframes)

wav_data = np.fromstring(wav_data,dtype=np.int16)

wav_data = wav_data*1.0/(max(abs(wav_data))) #对数据进行归一化

# 生成音频数据,ndarray不能进行json化，必须转化为list，生成json

dict = {"channel":numchannel,

"samplewidth":samplewidth,

"framerate":framerate,

"numframes":numframes,

"wavedata":list(wav_data)}

return json.dumps(dict)

绘制声波折线图与频谱图

代码如下：

from matplotlib import pyplot as plt

def drawspectrum(wav_data,framerate):

"""

这是画音频的频谱函数

:param wav_data: 音频数据

:param framerate: 采样频率

"""

time = np.linspace(0,len(wav_data)/framerate*1.0,num=len(wav_data))

plt.figure(1)

plt.plot(time,wav_data)

plt.grid(true)

plt.show()

plt.figure(2)

pxx, freqs, bins, im = plt.specgram(wav_data,nfft=1024,fs = 16000,noverlap=900)

plt.show()

print(pxx)

print(freqs)

print(bins)

print(im)

首先利用百度ai开发平台的语音合api生成的mp3文件进行上述过程的结果。

声波折线图

频谱图

全部代码

#!/usr/bin/python3

# -*- coding: utf-8 -*-

# @time : 2018/7/5 13:11

# @author : daipuwei

# @filename: voiceextract.py

# @software: pycharm

# @e-mail ：771830171@qq.com

# @blog ：https://blog.csdn.net/qq_30091945

import numpy as np

from pydub import audiosegment

import pydub

import os

import wave

import json

from matplotlib import pyplot as plt

def mp32wav(mp3_path,wav_path):

"""

这是mp3文件转化成wav文件的函数

:param mp3_path: mp3文件的地址

:param wav_path: wav文件的地址

"""

pydub.audiosegment.converter = "d:\\ffmpeg\\bin\\ffmpeg.exe" #说明ffmpeg的地址

mp3_file = audiosegment.from_mp3(file=mp3_path)

mp3_file.export(wav_path,format="wav")

def read_wav(wav_path):

"""

这是读取wav文件的函数，音频数据是单通道的。返回json

:param wav_path: wav文件的地址

"""

wav_file = wave.open(wav_path,'r')

numchannel = wav_file.getnchannels() # 声道数

samplewidth = wav_file.getsampwidth() # 量化位数

framerate = wav_file.getframerate() # 采样频率

numframes = wav_file.getnframes() # 采样点数

print("channel", numchannel)

print("sample_width", samplewidth)

print("framerate", framerate)

print("numframes", numframes)

wav_data = wav_file.readframes(numframes)

wav_data = np.fromstring(wav_data,dtype=np.int16)

wav_data = wav_data*1.0/(max(abs(wav_data))) #对数据进行归一化

# 生成音频数据,ndarray不能进行json化，必须转化为list，生成json

dict = {"channel":numchannel,

"samplewidth":samplewidth,

"framerate":framerate,

"numframes":numframes,

"wavedata":list(wav_data)}

return json.dumps(dict)

def drawspectrum(wav_data,framerate):

"""

这是画音频的频谱函数

:param wav_data: 音频数据

:param framerate: 采样频率

"""

time = np.linspace(0,len(wav_data)/framerate*1.0,num=len(wav_data))

plt.figure(1)

plt.plot(time,wav_data)

plt.grid(true)

plt.show()

plt.figure(2)

pxx, freqs, bins, im = plt.specgram(wav_data,nfft=1024,fs = 16000,noverlap=900)

plt.show()

print(pxx)

print(freqs)

print(bins)

print(im)

def run_main():

"""

这是主函数

"""

# mp3文件和wav文件的地址

path1 = './mp3_file'

path2 = "./wav_file"

paths = os.listdir(path1)

mp3_paths = []

# 获取mp3文件的相对地址

for mp3_path in paths:

mp3_paths.append(path1+"/"+mp3_path)

print(mp3_paths)

# 得到mp3文件对应的wav文件的相对地址

wav_paths = []

for mp3_path in mp3_paths:

wav_path = path2+"/"+mp3_path[1:].split('.')[0].split('/')[-1]+'.wav'

wav_paths.append(wav_path)

print(wav_paths)

# 将mp3文件转化成wav文件

for(mp3_path,wav_path) in zip(mp3_paths,wav_paths):

mp32wav(mp3_path,wav_path)

for wav_path in wav_paths:

read_wav(wav_path)

# 开始对音频文件进行数据化

for wav_path in wav_paths:

wav_json = read_wav(wav_path)

print(wav_json)

wav = json.loads(wav_json)

wav_data = np.array(wav['wavedata'])

framerate = int(wav['framerate'])

drawspectrum(wav_data,framerate)

if __name__ == '__main__':

run_main()

以上这篇使用python实现语音文件的特征提取方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持萬仟网。

如您对本文有疑问或者有任何想说的，请点击进行留言回复，万千网友为您解惑！