很多同学以为语音识别是非常难的,其实并不然,起初我也是这么认为,但后来发现语音识别是最简单的,因为同学们可能不知道Python有一个音频处理库Librosa,这个库非常的强大,可以进行音频处理、频谱表示、幅度转换、时频转换、特征提取(音色、音高提取)等等,关于Librosa的更多介绍或者应用需要大家去官网或者查看其他博客资料,这里我就简单安装,然后进行语音识别的讲解。
第一步:在终端安装Librosa库
方法一:使用pip命令
pip install librosa
方法二:使用conda命令
conda install -c conda-forge librosa
第二步:打开jupyter,导入该导的库
import librosa
import numpy as np
from sklearn import svm
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
import IPython.display as ipd
第三步:制作语音数据,这里的意思就是自己录制不同人声音的音频录音,每个录音长短不做要求,当然个人认为录音时间在20-30秒就可以,至少3个录音音频,因为下面我使用的方法是多分类训练方法,必须3个音频,而且Librosa音频格式一般是WAV、MP3(这里要注意的是如果你录制的音频文件原本不是MP3或者WAV格式,不要重命名改文件后缀,要用专门工具改后缀,要不然报错,我试过了),下面是我用我3个录音来进行训练的音频文件分别是tbb-01.mp3(我直接说话的声音),这3个音频换成你们自己录的音,如果还不理解的咱们评论区见。
# 加载数据集
def load_data():
# 加载tbb、aichen、xsc三种乐器的音频数据
tbb, sr1 = librosa.load('tbb-01.mp3')
aichen, sr2 = librosa.load('aichen-01.mp3')
xsc, sr3 = librosa.load('xsc-01.mp3')
# 提取MFCC特征,这里也就是不同人声音音色提取
tbb_mfcc = librosa.feature.mfcc(y=tbb, sr=sr1)
aichen_mfcc = librosa.feature.mfcc(y=aichen, sr=sr2)
xsc_mfcc = librosa.feature.mfcc(y=xsc, sr=sr3)
# 将不同人声音色的MFCC特征合并成一个数据集
X = np.concatenate((tbb_mfcc.T, aichen_mfcc.T, xsc_mfcc.T), axis=0)
# 生成标签向量
y = np.concatenate((np.zeros(len(tbb_mfcc.T)), np.ones(len(aichen_mfcc.T)), 2*np.ones(len(xsc_mfcc.T))))
return X, y
执行函数并且输出
# 加载数据集
X, y = load_data()
y
这个结果为什么是0开始到2呢,因为这里有3个音频,可以说是生成的数据集的默认标签,第一个音频的标签是0,第二个音频标签是1,第三个音频标签是2,以此类推,有多少个就有多少个,那为什么有多个0、1、2呢,因为在制作这个数据集时会将音频分成一段一段来打上标签,这样做数据集的数量就多了,训练效果就更好
第四步:利用上面处理的数据集进行训练
# 训练模型
def train(X, y):
# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 使用逻辑回归算法进行多类别分类
model = LogisticRegression(multi_class='ovr')
# 训练模型
model.fit(X_train, y_train)
return model
执行函数
# 训练模型
model = train(X, y)
第五步:进行模型测试
# 测试模型
def predict(model, audio_file):
# 加载音频文件并提取MFCC特征
y, sr = librosa.load(audio_file)
mfcc = librosa.feature.mfcc(y=y, sr=sr)
# 进行多类别分类预测
label = model.predict(mfcc.T)
proba = model.predict_proba(mfcc.T)
# 获取概率最大的类别标签
max_prob_idx = np.argmax(proba[0])
max_prob_label = label[max_prob_idx]
return max_prob_label
执行函数,这里我重新录制了一个我自己的声音来进行测试
# 测试模型
label = predict(model, 'tbb-02.mp3')
print('音色为:', label)
结果如下:
识别的标签是0,确实是正确的
那么语音识别其实到这里就结束了,当然我这里只做了音色识别,就是识别不同人说话的声音,Librosa库还可以进行其他的识别,等待大家去了解
这里再说一个库就是IPython.display,如下
import IPython.display as ipd
这个可以直接在jupyter进行音频播放
audio_data = 'nideyangzi.mp3'
ipd.Audio(audio_data)
结果如下:文章来源:https://www.toymoban.com/news/detail-475260.html
好了,本次语音识别就到此结束,再次感谢大家的支持! 文章来源地址https://www.toymoban.com/news/detail-475260.html
到了这里,关于Librosa库——语音识别,语音音色识别训练及应用的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!