python+keras实现语音识别

市面上语音识别技术原理已经有很多很多了，然而很多程序员兄弟们想研究的时候却看的头大，一堆的什么转mfcc，然后获取音素啥的，对于非专业音频研究者或非科班出生的程序员来说，完全跟天书一样。

最近在研究相关的实现，并且学习了keras和tensorflow等。用keras做了几个项目之后，开始着手研究语音识别的功能，在网上下载了一下语音的训练文件，已上传到了百度云盘：https://pan.baidu.com/s/1Au85kI_oeDjode2hWumUvQ
目录如下，文件夹名就是里面的语音的标签，语音由很多不同年龄性别的人发音收集而来

拿到一个语音文件之后需要先转mfcc，这个操作很简单，不需要什么高深的内功。用python写一段函数专门用来获取语音文件的fmcc值。

def get_wav_mfcc(wav_path):f = wave.open(wav_path,'rb')params = f.getparams()# print("params:",params)nchannels, sampwidth, framerate, nframes = params[:4]strData = f.readframes(nframes)#读取音频，字符串格式waveData = np.fromstring(strData,dtype=np.int16)#将字符串转化为intwaveData = waveData*1.0/(max(abs(waveData)))#wave幅值归一化waveData = np.reshape(waveData,[nframes,nchannels]).Tf.close()### 对音频数据进行长度大小的切割，保证每一个的长度都是一样的#【因为训练文件全部是1秒钟长度，16000帧的，所以这里需要把每个语音文件的长度处理成一样的】data = list(np.array(waveData[0]))# print(len(data))while len(data)>16000:del data[len(waveData[0])-1]del data[0]# print(len(data))while len(data)<16000:data.append(0)# print(len(data))data=np.array(data)# 平方之后，开平方，取正数，值的范围在  0-1  之间data = data ** 2data = data ** 0.5return data

参数为单个文件在磁盘的位置，mfcc是一堆的正数和负数组成的数组：

为了在训练的时候避免损失函数应为负数导致输出结果相差太大，需要把原始的mfcc全部转为正数，直接平方后在开方就是正值了。

我们可以把每个音频的mfcc值当做对应的特征向量，然后进行训练，我这里为了测试速度，取了seven 和 stop 两个语音类别来进行训练和识别，每个大概2700多个文件。并且分别从两个文件夹中剪切出来100个当做测试集，并每样拿出5个当做后面的试验集。

test1 中放置的是 100个 seven 语音，test2 中放置的是100个 stop 语音，trunk中放的是5个seven 和5个stop 语音。

如图1开头的都是seven ， 2开头的都是stop 。

训练之前需要先读取数据创建数据集和标签集：

# 加载数据集 和 标签[并返回标签集的处理结果]
def create_datasets():wavs=[]labels=[] # labels 和 testlabels 这里面存的值都是对应标签的下标，下标对应的名字在 labsInd 和 testlabsInd 中testwavs=[]   testlabels=[]labsInd=[]      ## 训练集标签的名字   0：seven   1：stoptestlabsInd=[]  ## 测试集标签的名字   0：seven   1：stop# 现在为了测试方便和快速直接写死，后面需要改成自动扫描文件夹和标签的形式#加载seven训练集path="D:\\wav\\seven\\"files = os.listdir(path)for i in files:# print(i)waveData = get_wav_mfcc(path+i)# print(waveData)wavs.append(waveData)if ("seven" in labsInd)==False:labsInd.append("seven")labels.append(labsInd.index("seven"))#加载stop训练集path="D:\\wav\\stop\\"files = os.listdir(path)for i in files:# print(i)waveData = get_wav_mfcc(path+i)wavs.append(waveData)if ("stop" in labsInd)==False:labsInd.append("stop")labels.append(labsInd.index("stop"))#加载seven测试集path="D:\\wav\\test1\\"files = os.listdir(path)for i in files:# print(i)waveData = get_wav_mfcc(path+i)testwavs.append(waveData)if ("seven" in testlabsInd)==False:testlabsInd.append("seven")testlabels.append(testlabsInd.index("seven"))#加载stop测试集path="D:\\wav\\test2\\"files = os.listdir(path)for i in files:# print(i)waveData = get_wav_mfcc(path+i)testwavs.append(waveData)if ("stop" in testlabsInd)==False:testlabsInd.append("stop")testlabels.append(testlabsInd.index("stop"))wavs=np.array(wavs)labels=np.array(labels)testwavs=np.array(testwavs)testlabels=np.array(testlabels)return (wavs,labels),(testwavs,testlabels),(labsInd,testlabsInd)

拿到数据集之后就可以开始进行神经网络的训练了，keras提供了很多封装好的可以直接使用的神经网络，我们先建立神经网络模型

# 构建一个4层的模型
model = Sequential()
model.add(Dense(512, activation='relu',input_shape=(16000,))) # 音频为16000帧的数据，这里的维度就是16000，激活函数直接用常用的relu
model.add(Dense(256, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(2, activation='softmax'))  # 因为只有两个类别的语音，最后输出应该就是2个分类的结果
# [编译模型] 配置模型，损失函数采用交叉熵，优化采用Adadelta，将识别准确率作为模型评估
model.compile(loss=keras.losses.categorical_crossentropy, optimizer=keras.optimizers.Adadelta(), metrics=['accuracy'])
#  validation_data为验证集
model.fit(wavs, labels, batch_size=124, epochs=5, verbose=1, validation_data=(testwavs, testlabels)) ## 进行5轮训练，每个批次124个# 开始评估模型效果 # verbose=0为不输出日志信息
score = model.evaluate(testwavs, testlabels, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1]) # 准确度

训练之后的结果：

两个类型的文件一个4500多个，我本机使用CPU训练大概用时20多秒。
最后显示结果准确率为0.9050.也就是90.5%的准确率，这里可以加大数据集的数量和调参来加大准确率。

最后保存模型到文件：

model.save('asr_model_weights.h5') # 保存训练模型

保存之后会在文件夹中生成一个文件【95M】：

先在训练的模型已经有了，我们开始使用trunk中的文件进行试验：

先加载之前训练的模型：

model = load_model('asr_model_weights.h5') # 加载训练模型

然后获得当前需要试验的文件的mfcc。并且将数据封装成和训练时一样的维度。并且使用模型的predict函数输出结果：

wavs=[]
wavs.append(get_wav_mfcc("D:\\wav\\trunk\\2c.wav")) # 使用某一个文件
X=np.array(wavs)
print(X.shape)
result=model.predict(X[0:1])[0] # 识别出第一张图的结果，多张图的时候，把后面的[0] 去掉，返回的就是多张图结果
print("识别结果",result)

结果输出：

可以看出结果是一个2个数的数组，里面返回的对应类别相似度，也就是说哪一个下标的值最大，就跟那个下标对应的标签最相似。

之前训练的时候，标签的集是：[seven , stop]

所以如图下标1的值达到了89.9%的相似度。

#  因为在训练的时候，标签集的名字 为：  0：seven   1：stop    0 和 1 是下标
name = ["seven","stop"] # 创建一个跟训练时一样的标签集
ind=0 # 结果中最大的一个数
for i in range(len(result)):if result[i] > result[ind]:ind=1
print("识别的语音结果是：",name[ind])

我们把试验文件换成 1b.wav

wavs.append(get_wav_mfcc("D:\\wav\\trunk\\1b.wav"))

结果输出：

本机的试验的识别速度在2秒内。

本文相关的代码已上传github：https://github.com/BenShuai/kerasTfPoj/tree/master/kerasTfPoj/ASR