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：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
|
#!/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服务器之家。
原文链接：https://blog.csdn.net/qq_30091945/article/details/80941820