欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

使用python实现语音文件的特征提取方法

程序员文章站 2023-11-21 21:05:46
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rn...

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

使用python实现语音文件的特征提取方法

频谱图

使用python实现语音文件的特征提取方法

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 :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。