Python训练自己的语音识别系统

一、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
二、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：

二、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 = 0while True:offset += batch_sizeif 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_sizeX_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()

三、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：
链接：https://pan.baidu.com/s/1tFlZkMJmrMTD05cd_zxmAg
提取码：ndrr
数据集下载地址:
https://download.csdn.net/download/qq_42279468/12917240

Python训练自己的语音识别系统相关推荐

用 Python 训练自己的语音识别系统，这波操作稳了
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 ...
python语音库_绝佳的ASR学习方案：这是一套开源的中文语音识别系统
ASRT 是一套基于深度学习实现的系统,全称为 Auto Speech Recognition Tool,由 AI 柠檬博主开发并在 GitHub 上开源(GPL 3.0 协议).本项目声学模型通过采 ...
语音识别系统_智能语音识别系统_第三方语音识别系统 - 云+社区 - 腾讯云
广告关闭腾讯云双11爆品提前享,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高满返5000元! 腾讯云语音识别服务开放实时语音识别.一句话识别和录音文件识别三种服务形式,满足不同 ...
用python语言实现-Python语言实现百度语音识别API的使用实例
未来的一段时间,人工智能在市场上占有很重的位置,Python语言则是研究人工智能的最佳编程语言,下面,就让我们来感受一下它的魅力吧! 百度给的样例程序,不论C还是Java版,都分为method1和me ...
分享 | 开源的中文语音识别系统
原标题:分享 | 开源的中文语音识别系统语音识别目前已经广泛应用于各种领域,那么你会想做一个自己的语音识别系统吗?这篇文章介绍了一种开源的中文语音识别系统,读者可以借助它快速训练属于自己的中文语音识 ...
绝佳的ASR学习方案：这是一套开源的中文语音识别系统
ASRT 是一套基于深度学习实现的语音识别系统,全称为 Auto Speech Recognition Tool,由 AI 柠檬博主开发并在 GitHub 上开源(GPL 3.0 协议).本项目声学模 ...
github上能找到中文博主吗_绝佳的ASR学习方案：这是一套开源的中文语音识别系统...
语音识别目前已经广泛应用于各种领域,那么你会想做一个自己的语音识别系统吗?这篇文章介绍了一种开源的中文语音识别系统,读者可以借助它快速训练属于自己的中文语音识别模型,或直接使用预训练模型测试效果.所以 ...
PocketSphinx语音识别系统声学模型的训练与使用
PocketSphinx语音识别系统声学模型的训练与使用 zouxy09@qq.com http://blog.csdn.net/zouxy09 声学模型主要用于计算语音特征和每个发音模板之间的似然度 ...
PocketSphinx语音识别系统语言模型的训练和声学模型的改进
PocketSphinx语音识别系统语言模型的训练和声学模型的改进 zouxy09@qq.com http://blog.csdn.net/zouxy09 关于语音识别的基础知识和sphinx的知识, ...
pocketsphinx 模型库_[转] PocketSphinx语音识别系统声学模型的训练与使用
PocketSphinx语音识别系统声学模型的训练与使用声学模型主要用于计算语音特征和每个发音模板之间的似然度.目的是为每个声学单元建立一套模型参数(通过不断地学习和改进得到最优的,也就是概率最大的 ...

Python训练自己的语音识别系统

Python训练自己的语音识别系统

Python训练自己的语音识别系统相关推荐

最新文章

热门文章