使用python实现语音文件的特征提取方法

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：

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：

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：

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

#!/usr/bin/python3
# -*- coding: utf-8 -*-
# @time : 2018/7/5 13:11
# @author : daipuwei
# @filename: voiceextract.py
# @software: pycharm
# @e-mail ：[e-mail]
# @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。