目录
- 一、项目简介
- 二、语音数据集介绍
- 1.不同人的声音
- 2.每人不同单词的发音
- 3.声音波形
- 三、代码功能介绍
- 1.依赖环境及项目目录
2.数据读取与预处理（data_create.py） - 3.语音数据分帧及mfcc处理（data_create.py）
- 4.模型构建（model.py）
- 5.模型训练（model_train.py）
- 6.模型评估（model_test.py）
- 7.模型训练可视化
- 8.模型预测（func_test.py）
一、项目简介
本文主要介绍如何使用python搭建一个：基于TensorFlow的语音识别系统。
本文主要分为3部分：
- 1、项目数据集介绍。
- 2、项目功能及相关代码展示。
- 3、项目完整下载地址。
博主也参考过语音识别系统相关模型的文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个可视化系统即可。
也正是因为我发现网上大多的帖子只是针对原理进行介绍，功能实现的相对很少。
如果您有以上想法，那就找对地方了！
不多废话，直接进入正题！
二、语音数据集介绍
本项目采用的是不同英文单词，不同人的语言发音的电信号采样数据。
1.不同人的声音
- 三个不同人的声音：
2.每人不同单词的发音
- 每个人不同单词的发音：
3.声音波形
- 单词“CAMARA”：
- 单词“WELCOME”：
三、代码功能介绍
项目思路是：
1.将不同单词的发音文件分类。
2.将音频文件进行分帧。
3.实现mfcc编码。
4.构建训练及测试数据。
5.送入模型进行分类训练。
6.验证训练结果
1.依赖环境及项目目录
1.TensorFlow-GPU，版本:2.0及以上
2. librosa
3. sklearn项目目录如下：
2.数据读取与预处理（data_create.py）
语音数据文件为.data 的时序数据。
def get_voice_vec(path):
"""
读取文件
:param path:
:return:
"""
with open(path, 'r') as f:
# 读取每行数据
readData = f.readlines()
# 删除无用数据
readData_d = readData[9:]
voice_list = []
# 将音频数据填入list
for e in readData_d:
# 分离数据
e_s = e.replace('\n', '').split('\t')
voice = e_s[2]
voice_list.append(float(voice))
return_list = voice_list
return return_list3.语音数据分帧及mfcc处理（data_create.py）
使用librosa对语音数据文件进行分帧和mfcc处理
def vec_label(in_vec, in_label, cut_length=20000, sap_num=50):
"""
数据截取，生成训练数据
:return:
"""
print("读取的数据文件数量：", len(in_vec))
print("开始处理数据分割......")
# 最终训练数据
train_data = []
train_label = []
for org_vec, org_label in tqdm(zip(in_vec, in_label)):
head_vec = org_vec[:cut_length]
end_vec = org_vec[len(org_vec) - cut_length:]
# 截取前后2w无声音数据
cuted_vec = org_vec[20000:len(org_vec) - 20000]
'''
# 添加无语音块
train_data.append(head_vec)
train_label.append("-1")
train_data.append(end_vec)
train_label.append("-1")
# 语音数据分割采样
cut_time = int(len(cuted_vec) / cut_length)
for i in range(0, cut_time):
cut_vec = cuted_vec[i * cut_length: (i + 1) * cut_length]
train_data.append(cut_vec)
train_label.append(org_label)
'''
for i in range(0, sap_num):
# 生成起始位置
start_index = int(random.uniform(0, len(cuted_vec) - cut_length))
# 语音数据分割采样
cut_vec = cuted_vec[start_index:start_index + cut_length]
train_data.append(cut_vec)
train_label.append(org_label)
print("完成数据分割和采样！")
train_label = change_label(train_label, "train_data/label_class.npy")
print("完成分类类别编码！")
# 打乱训练数据
train_data = np.asarray(train_data, np.float64)
train_label = np.asarray(train_label, np.int64)
print("完成numpy数组转换！")
# mfcc编码
train_data = extract_features(train_data)
print("完成mfcc编码！")
train_data, train_label = random_data(train_data, train_label)
print("完成数据打乱！")
return train_data, train_label4.模型构建（model.py）
使用TensorFlow对模型进行构建，本文构建的是基于残差模块的cnn网络。
def __init__(self, input_shape=(512, 512, 3), classes=2):
self.input_shape = input_shape
self.classes = classes
# 恒等模块——identity_block
def identity_block(self, X, f, filters, stage, block):
"""
三层的恒等残差块
param :
X -- 输入的张量，维度为（m, n_H_prev, n_W_prev, n_C_prev）
f -- 整数，指定主路径的中间 CONV 窗口的形状
filters -- python整数列表，定义主路径的CONV层中的过滤器数目
stage -- 整数，用于命名层，取决于它们在网络中的位置
block --字符串/字符，用于命名层，取决于它们在网络中的位置
return:
X -- 三层的恒等残差块的输出，维度为：(n_H, n_W, n_C)
"""
# 定义基本的名字
conv_name_base = "res" + str(stage) + block + "_branch"
bn_name_base = "bn" + str(stage) + block + "_branch"
# 过滤器
F1, F2, F3 = filters
# 保存输入值，后将输入值返回主路径
X_shortcut = X
# 主路径第一部分
X = layers.Conv2D(filters=F1, kernel_size=(1, 1), strides=(1, 1), padding="valid",
name=conv_name_base + "2a", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)
X = layers.BatchNormalization(axis=3, name=bn_name_base + "2a")(X)
X = layers.Activation("relu")(X)
# 主路径第二部分
X = layers.Conv2D(filters=F2, kernel_size=(f, f), strides=(1, 1), padding="same",
name=conv_name_base + "2b", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)
X = layers.BatchNormalization(axis=3, name=bn_name_base + "2b")(X)
X = layers.Activation("relu")(X)
# 主路径第三部分
X = layers.Conv2D(filters=F3, kernel_size=(1, 1), strides=(1, 1), padding="valid",
name=conv_name_base + "2c", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)
X = layers.BatchNormalization(axis=3, name=bn_name_base + "2c")(X)
# 主路径最后部分,为主路径添加shortcut并通过relu激活
X = layers.Add()([X, X_shortcut])
X = layers.Activation("relu")(X)
return X
# 卷积残差块——convolutional_block
def convolutional_block(self, X, f, filters, stage, block, s=2):
"""
param :
X -- 输入的张量，维度为（m, n_H_prev, n_W_prev, n_C_prev）
f -- 整数，指定主路径的中间 CONV 窗口的形状（过滤器大小，ResNet中f=3）
filters -- python整数列表，定义主路径的CONV层中过滤器的数目
stage -- 整数，用于命名层，取决于它们在网络中的位置
block --字符串/字符，用于命名层，取决于它们在网络中的位置
s -- 整数，指定使用的步幅
return:
X -- 卷积残差块的输出，维度为：(n_H, n_W, n_C)
"""
# 定义基本名字
conv_name_base = "res" + str(stage) + block + "_branch"
bn_name_base = "bn" + str(stage) + block + "_branch"
# 过滤器
F1, F2, F3 = filters
# 保存输入值，后将输入值返回主路径
X_shortcut = X
# 主路径第一部分
X = layers.Conv2D(filters=F1, kernel_size=(1, 1), strides=(s, s), padding="valid",
name=conv_name_base + "2a", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)
X = layers.BatchNormalization(axis=3, name=bn_name_base + "2a")(X)
X = layers.Activation("relu")(X)
# 主路径第二部分
X = layers.Conv2D(filters=F2, kernel_size=(f, f), strides=(1, 1), padding="same",
name=conv_name_base + "2b", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)
X = layers.BatchNormalization(axis=3, name=bn_name_base + "2b")(X)
X = layers.Activation("relu")(X)
# 主路径第三部分
X = layers.Conv2D(filters=F3, kernel_size=(1, 1), strides=(1, 1), padding="valid",
name=conv_name_base + "2c", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)
X = layers.BatchNormalization(axis=3, name=bn_name_base + "2c")(X)
# shortcut路径
X_shortcut = layers.Conv2D(filters=F3, kernel_size=(1, 1), strides=(s, s), padding="valid",
name=conv_name_base + "1",
kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X_shortcut)
X_shortcut = layers.BatchNormalization(axis=3, name=bn_name_base + "1")(X_shortcut)
# 主路径最后部分,为主路径添加shortcut并通过relu激活
X = layers.Add()([X, X_shortcut])
X = layers.Activation("relu")(X)
return X5.模型训练（model_train.py）
本次项目设置的同时输入语音数据：batch_size = 16。训练轮数：num_epochs = 10。初始化学习率参数：learning_rate = 1e-4。训练结果如下：
6.模型评估（model_test.py）
针对13个不同人的发音的单词进行训练后测试模型分类的准确率。
- 可以看到模型的准确率还是相对比较高的。
7.模型训练可视化
- 可以看到在模型训练至
2-3个epoch左右的时候模型接近收敛。
8.模型预测（func_test.py）
- 最终实现的功能为：读取单个的语音数据文件，模型预测后会输出这个文件所说的单词有哪些，代码及效果如下：
def get_voice_vec(path):
"""
读取文件
:param path:
:return:
"""
with open(path, 'r') as f:
# 读取每行数据
readData = f.readlines()
# 删除无用数据
readData_d = readData[9:]
voice_list = []
# 将音频数据填入list
for e in readData_d:
# 分离数据
e_s = e.replace('\n', '').split('\t')
voice = e_s[2]
voice_list.append(float(voice))
return_list = voice_list
# 截取前2w无声音数据
cuted_vec = return_list[20000:]
# 语音数据分割
cut_length = 40000
test_data = []
cut_time = int(len(cuted_vec) / cut_length)
for i in range(0, cut_time):
cut_vec = cuted_vec[i * cut_length: (i + 1) * cut_length]
test_data.append(cut_vec)
# mfcc编码
test_data = extract_features(test_data)
return test_data
def run_classification():
choose_path = get_file_path()
# 获取文件数据
vc = get_voice_vec(choose_path)
print("获取数据文件，mfcc转码成功!")
# 修改data的shape
data = vc.reshape((vc.shape[0], vc.shape[1], vc.shape[2], 1))
print("*" * 10)
print("读取模型......")
# 读取模型
model = keras.models.load_model('models_save/resnet_model.h5')
print("加载保存的模型成功！")
print("*" * 10)
print("开始预测......")
# 获取结果
y_pred = model.predict(data)
print("*" * 10)
print("模型输出预测结果......")
# 将结果转换为普通数组
y_pred = [np.argmax(x) for x in y_pred]
label_class = np.load('train_data/label_class.npy')
# 类别转化为单词
y_pred_e = []
for e in y_pred:
y_pred_e.append(label_class[e])
print("您选择的语音文件对应的单词为：", y_pred_e)- 模型测试效果：
四、代码下载地址
由于项目代码量和数据集较大，感兴趣的同学可以直接下载代码，使用过程中如遇到任何问题可以在评论区进行评论，我都会一一解答。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
