近几年来语音识别技术得到了迅速发展，从手机中的Siri语音智能助手、微软的小娜以及各种平台的智能音箱等等，各种语音识别的项目得到了广泛应用。
语音识别属于感知智能，而让机器从简单的识别语音到理解语音，则上升到了认知智能层面，机器的自然语言理解能力如何，也成为了其是否有智慧的标志，而自然语言理解正是目前难点。
同时考虑到目前大多数的语音识别平台都是借助于智能云，对于语音识别的训练对于大多数人而言还较为神秘，故今天我们将利用python搭建自己的语音识别系统。
最终模型的识别效果如下：
实验前的准备
首先我们使用的python版本是3.6.5所用到的库有cv2库用来图像处理；
Numpy库用来矩阵运算；Keras框架用来训练和加载模型。Librosa和python_speech_features库用于提取音频特征。Glob和pickle库用来读取本地数据集。
数据集准备
首先数据集使用的是清华大学的thchs30中文数据。
这些录音根据其文本内容分成了四部分，A（句子的ID是1~250），B（句子的ID是251~500），C（501~750），D（751~1000）。ABC三组包括30个人的10893句发音，用来做训练，D包括10个人的2496句发音，用来做测试。
data文件夹中包含（.wav文件和.trn文件；trn文件里存放的是.wav文件的文字描述:第一行为词，第二行为拼音，第三行为音素）；
数据集如下：
模型训练
1、提取语音数据集的MFCC特征：
首先人的声音是通过声道产生的，声道的形状决定了发出怎样的声音。如果我们可以准确的知道这个形状，那么我们就可以对产生的音素进行准确的描述。声道的形状在语音短时功率谱的包络中显示出来。而MFCCs就是一种准确描述这个包络的一种特征。
其中提取的MFCC特征如下图可见。
故我们在读取数据集的基础上，要将其语音特征提取存储以方便加载入神经网络进行训练。
其对应的代码如下：
- #读取数据集文件
- text_paths = glob.glob('data/*.trn')
- total = len(text_paths)
- print(total)
- with open(text_paths[0], 'r', encoding='utf8') as fr:
- lines = fr.readlines
- print(lines)
- #数据集文件trn内容读取保存到数组中
- texts =
- paths =
- for path in text_paths:
- with open(path, 'r', encoding='utf8') as fr:
- lines = fr.readlines
- line = lines[0].strip('\n').replace(' ', '')
- texts.append(line)
- paths.append(path.rstrip('.trn'))
- print(paths[0], texts[0])
- #定义mfcc数
- mfcc_dim = 13
- #根据数据集标定的音素读入
- def load_and_trim(path):
- audio, sr = librosa.load(path)
- energy = librosa.feature.rmse(audio)
- frames = np.nonzero(energy >= np.max(energy) / 5)
- indices = librosa.core.frames_to_samples(frames)[1]
- audio = audio[indices[0]:indices[-1]] if indices.size else audio[0:0]
- return audio, sr
- #提取音频特征并存储
- features =
- for i in tqdm(range(total)):
- path = paths[i]
- audio, sr = load_and_trim(path)
- features.append(mfcc(audio, sr, numcep=mfcc_dim, nfft=551))
- print(len(features), features[0].shape)
2、神经网络预处理：
在进行神经网络加载训练前，我们需要对读取的MFCC特征进行归一化，主要目的是为了加快收敛，提高效果和减少干扰。然后处理好数据集和标签定义输入和输出即可。
对应代码如下：
- #随机选择100个数据集
- samples = random.sample(features, 100)
- samples = np.vstack(samples)
- #平均MFCC的值为了归一化处理
- mfcc_mean = np.mean(samples, axis=0)
- #计算标准差为了归一化
- mfcc_std = np.std(samples, axis=0)
- print(mfcc_mean)
- print(mfcc_std)
- #归一化特征
- features = [(feature - mfcc_mean) / (mfcc_std + 1e-14) for feature in features]
- #将数据集读入的标签和对应id存储列表
- chars = {}
- for text in texts:
- for c in text:
- chars[c] = chars.get(c, 0) + 1
- chars = sorted(chars.items, key=lambda x: x[1], reverse=True)
- chars = [char[0] for char in chars]
- print(len(chars), chars[:100])
- char2id = {c: i for i, c in enumerate(chars)}
- id2char = {i: c for i, c in enumerate(chars)}
- data_index = np.arange(total)
- np.random.shuffle(data_index)
- train_size = int(0.9 * total)
- test_size = total - train_size
- train_index = data_index[:train_size]
- test_index = data_index[train_size:]
- #神经网络输入和输出X,Y的读入数据集特征
- X_train = [features[i] for i in train_index]
- Y_train = [texts[i] for i in train_index]
- X_test = [features[i] for i in test_index]
- Y_test = [texts[i] for i in test_index]
3、神经网络函数定义：
其中包括训练的批次，卷积层函数、标准化函数、激活层函数等等。
其中第⼀个维度为⼩⽚段的个数，原始语⾳越长，第⼀个维度也越⼤， 第⼆个维度为 MFCC 特征的维度。得到原始语⾳的数值表⽰后，就可以使⽤ WaveNet 实现。由于 MFCC 特征为⼀维序列，所以使⽤ Conv1D 进⾏卷积。 因果是指，卷积的输出只和当前位置之前的输⼊有关，即不使⽤未来的 特征，可以理解为将卷积的位置向前偏移。WaveNet 模型结构如下所⽰：
具体如下可见：
- batch_size = 16
- #定义训练批次的产生，一次训练16个
- def batch_generator(x, y, batch_size=batch_size):
- offset = 0
- while True:
- offset += batch_size
- if offset == batch_size or offset >= len(x):
- data_index = np.arange(len(x))
- np.random.shuffle(data_index)
- x = [x[i] for i in data_index]
- y = [y[i] for i in data_index]
- offset = batch_size
- X_data = x[offset - batch_size: offset]
- Y_data = y[offset - batch_size: offset]
- X_maxlen = max([X_data[i].shape[0] for i in range(batch_size)])
- Y_maxlen = max([len(Y_data[i]) for i in range(batch_size)])
- X_batch = np.zeros([batch_size, X_maxlen, mfcc_dim])
- Y_batch = np.ones([batch_size, Y_maxlen]) * len(char2id)
- X_length = np.zeros([batch_size, 1], dtype='int32')
- Y_length = np.zeros([batch_size, 1], dtype='int32')
- for i in range(batch_size):
- X_length[i, 0] = X_data[i].shape[0]
- X_batch[i, :X_length[i, 0], :] = X_data[i]
- Y_length[i, 0] = len(Y_data[i])
- Y_batch[i, :Y_length[i, 0]] = [char2id[c] for c in Y_data[i]]
- inputs = {'X': X_batch, 'Y': Y_batch, 'X_length': X_length, 'Y_length': Y_length}
- outputs = {'ctc': np.zeros([batch_size])}
- epochs = 50
- num_blocks = 3
- filters = 128
- X = Input(shape=(None, mfcc_dim,), dtype='float32', name='X')
- Y = Input(shape=(None,), dtype='float32', name='Y')
- X_length = Input(shape=(1,), dtype='int32', name='X_length')
- Y_length = Input(shape=(1,), dtype='int32', name='Y_length')
- #卷积1层
- def conv1d(inputs, filters, kernel_size, dilation_rate):
- return Conv1D(filters=filters, kernel_size=kernel_size, strides=1, padding='causal', activation=None,
- dilation_rate=dilation_rate)(inputs)
- #标准化函数
- def batchnorm(inputs):
- return BatchNormalization(inputs)
- #激活层函数
- def activation(inputs, activation):
- return Activation(activation)(inputs)
- #全连接层函数
- def res_block(inputs, filters, kernel_size, dilation_rate):
- hf = activation(batchnorm(conv1d(inputs, filters, kernel_size, dilation_rate)), 'tanh')
- hg = activation(batchnorm(conv1d(inputs, filters, kernel_size, dilation_rate)), 'sigmoid')
- h0 = Multiply([hf, hg])
- ha = activation(batchnorm(conv1d(h0, filters, 1, 1)), 'tanh')
- hs = activation(batchnorm(conv1d(h0, filters, 1, 1)), 'tanh')
- return Add([ha, inputs]), hs
- h0 = activation(batchnorm(conv1d(X, filters, 1, 1)), 'tanh')
- shortcut =
- for i in range(num_blocks):
- for r in [1, 2, 4, 8, 16]:
- h0, s = res_block(h0, filters, 7, r)
- shortcut.append(s)
- h1 = activation(Add(shortcut), 'relu')
- h1 = activation(batchnorm(conv1d(h1, filters, 1, 1)), 'relu')
- #softmax损失函数输出结果
- Y_pred = activation(batchnorm(conv1d(h1, len(char2id) + 1, 1, 1)), 'softmax')
- sub_model = Model(inputs=X, outputs=Y_pred)
- #计算损失函数
- def calc_ctc_loss(args):
- y, yp, ypl, yl = args
- return K.ctc_batch_cost(y, yp, ypl, yl)
4、模型的训练：
训练的过程如下可见：
- ctc_loss = Lambda(calc_ctc_loss, output_shape=(1,), name='ctc')([Y, Y_pred, X_length, Y_length])
- #加载模型训练
- model = Model(inputs=[X, Y, X_length, Y_length], outputs=ctc_loss)
- #建立优化器
- optimizer = SGD(lr=0.02, momentum=0.9, nesterov=True, clipnorm=5)
- #激活模型开始计算
- model.compile(loss={'ctc': lambda ctc_true, ctc_pred: ctc_pred}, optimizer=optimizer)
- checkpointer = ModelCheckpoint(filepath='asr.h5', verbose=0)
- lr_decay = ReduceLROnPlateau(monitor='loss', factor=0.2, patience=1, min_lr=0.000)
- #开始训练
- history = model.fit_generator(
- generator=batch_generator(X_train, Y_train),
- steps_per_epoch=len(X_train) // batch_size,
- epochs=epochs,
- validation_data=batch_generator(X_test, Y_test),
- validation_steps=len(X_test) // batch_size,
- callbacks=[checkpointer, lr_decay])
- #保存模型
- sub_model.save('asr.h5')
- #将字保存在pl=pkl中
- with open('dictionary.pkl', 'wb') as fw:
- pickle.dump([char2id, id2char, mfcc_mean, mfcc_std], fw)
- train_loss = history.history['loss']
- valid_loss = history.history['val_loss']
- plt.plot(np.linspace(1, epochs, epochs), train_loss, label='train')
- plt.plot(np.linspace(1, epochs, epochs), valid_loss, label='valid')
- plt.legend(loc='upper right')
- plt.xlabel('Epoch')
- plt.ylabel('Loss')
- plt.show
测试模型
读取我们语音数据集生成的字典，通过调用模型来对音频特征识别。
代码如下：
- wavs = glob.glob('A2_103.wav')
- print(wavs)
- with open('dictionary.pkl', 'rb') as fr:
- [char2id, id2char, mfcc_mean, mfcc_std] = pickle.load(fr)
- mfcc_dim = 13
- model = load_model('asr.h5')
- index = np.random.randint(len(wavs))
- print(wavs[index])
- audio, sr = librosa.load(wavs[index])
- energy = librosa.feature.rmse(audio)
- frames = np.nonzero(energy >= np.max(energy) / 5)
- indices = librosa.core.frames_to_samples(frames)[1]
- audio = audio[indices[0]:indices[-1]] if indices.size else audio[0:0]
- X_data = mfcc(audio, sr, numcep=mfcc_dim, nfft=551)
- X_data = (X_data - mfcc_mean) / (mfcc_std + 1e-14)
- print(X_data.shape)
- pred = model.predict(np.expand_dims(X_data, axis=0))
- pred_ids = K.eval(K.ctc_decode(pred, [X_data.shape[0]], greedy=False, beam_width=10, top_paths=1)[0][0])
- pred_ids = pred_ids.flatten.tolist
- print(''.join([id2char[i] for i in pred_ids]))
- yield (inputs, outputs)
到这里，我们整体的程序就搭建完成，下面为我们程序的运行结果：
源码地址：
https://pan.baidu.com/s/1tFlZkMJmrMTD05cd_zxmAg
提取码：ndrr
数据集需要自行下载。
