声音的本质是震动，震动的本质是位移关于时间的函数，波形文件(.wav)中记录了不同采样时刻的位移。

通过傅里叶变换，可以将时间域的声音函数分解为一系列不同频率的正弦函数的叠加，通过频率谱线的特殊分布，建立音频内容和文本的对应关系，以此作为模型训练的基础。

案例：画出语音信号的波形和频率分布，（freq.wav数据地址）

# -*- encoding:utf-8 -*-

import numpy as np

import numpy.fft as nf

import scipy.io.wavfile as wf

import matplotlib.pyplot as plt

sample_rate, sigs = wf.read('../machine_learning_date/freq.wav')

print(sample_rate) # 8000采样率

print(sigs.shape) # (3251,)

sigs = sigs / (2 ** 15) # 归一化

times = np.arange(len(sigs)) / sample_rate

freqs = nf.fftfreq(sigs.size, 1 / sample_rate)

ffts = nf.fft(sigs)

pows = np.abs(ffts)

plt.figure('Audio')

plt.subplot(121)

plt.title('Time Domain')

plt.xlabel('Time', fontsize=12)

plt.ylabel('Signal', fontsize=12)

plt.tick_params(labelsize=10)

plt.grid(linestyle=':')

plt.plot(times, sigs, c='dodgerblue', label='Signal')

plt.legend()

plt.subplot(122)

plt.title('Frequency Domain')

plt.xlabel('Frequency', fontsize=12)

plt.ylabel('Power', fontsize=12)

plt.tick_params(labelsize=10)

plt.grid(linestyle=':')

plt.plot(freqs[freqs >= 0], pows[freqs >= 0], c='orangered', label='Power')

plt.legend()

plt.tight_layout()

plt.show()

语音识别

梅尔频率倒谱系数(MFCC)通过与声音内容密切相关的13个特殊频率所对应的能量分布，可以使用梅尔频率倒谱系数矩阵作为语音识别的特征。基于隐马尔科夫模型进行模式识别，找到测试样本最匹配的声音模型，从而识别语音内容。

MFCC

梅尔频率倒谱系数相关API：

import scipy.io.wavfile as wf

import python_speech_features as sf

sample_rate, sigs = wf.read('../data/freq.wav')

mfcc = sf.mfcc(sigs, sample_rate)

案例：画出MFCC矩阵：

python -m pip install python_speech_features

import scipy.io.wavfile as wf

import python_speech_features as sf

import matplotlib.pyplot as mp

sample_rate, sigs = wf.read(

'../ml_data/speeches/training/banana/banana01.wav')

mfcc = sf.mfcc(sigs, sample_rate)

mp.matshow(mfcc.T, cmap='gist_rainbow')

mp.show()

隐马尔科夫模型

隐马尔科夫模型相关API：

import hmmlearn.hmm as hl

model = hl.GaussianHMM(n_components=4, covariance_type='diag', n_iter=1000)

# n_components: 用几个高斯分布函数拟合样本数据

# covariance_type: 相关矩阵的辅对角线进行相关性比较

# n_iter: 最大迭代上限

model.fit(mfccs) # 使用模型匹配测试mfcc矩阵的分值 score = model.score(test_mfccs)

案例：训练training文件夹下的音频，对testing文件夹下的音频文件做分类

1、读取training文件夹中的训练音频样本，每个音频对应一个mfcc矩阵，每个mfcc都有一个类别（apple）。

2、把所有类别为apple的mfcc合并在一起，形成训练集。

| mfcc |　　 |

| mfcc | apple |

| mfcc |　　 |

.....

由上述训练集样本可以训练一个用于匹配apple的HMM。

3、训练7个HMM分别对应每个水果类别。 保存在列表中。

4、读取testing文件夹中的测试样本，整理测试样本

| mfcc | apple |

| mfcc | lime |

​

5、针对每一个测试样本：

1、分别使用7个HMM模型，对测试样本计算score得分。

2、取7个模型中得分最高的模型所属类别作为预测类别。

import os

import numpy as np

import scipy.io.wavfile as wf

import python_speech_features as sf

import hmmlearn.hmm as hl

​

#1. 读取training文件夹中的训练音频样本，每个音频对应一个mfcc矩阵，每个mfcc都有一个类别（apple）。

def search_file(directory):

# 使传过来的directory匹配当前操作系统

# {'apple':[url, url, url ... ], 'banana':[...]}

directory = os.path.normpath(directory)

objects = {}

# curdir：当前目录

# subdirs: 当前目录下的所有子目录

# files: 当前目录下的所有文件名

for curdir, subdirs, files in os.walk(directory):

for file in files:

if file.endswith('.wav'):

label = curdir.split(os.path.sep)[-1]

if label not in objects:

objects[label] = []

# 把路径添加到label对应的列表中

path = os.path.join(curdir, file)

objects[label].append(path)

return objects

​

#读取训练集数据

train_samples = \

search_file('../ml_data/speeches/training')

​

'''

2. 把所有类别为apple的mfcc合并在一起，形成训练集。

| mfcc | |

| mfcc | apple |

| mfcc | |

.....

由上述训练集样本可以训练一个用于匹配apple的HMM。

'''

train_x, train_y = [], []

# 遍历7次 apple/banana/...

for label, filenames in train_samples.items():

mfccs = np.array([])

for filename in filenames:

sample_rate, sigs = wf.read(filename)

mfcc = sf.mfcc(sigs, sample_rate)

if len(mfccs)==0:

mfccs = mfcc

else:

mfccs = np.append(mfccs, mfcc, axis=0)

train_x.append(mfccs)

train_y.append(label)

'''

训练集:

train_x train_y

----------------

| mfcc | |

| mfcc | apple |

| mfcc | |

----------------

| mfcc | |

| mfcc | banana |

| mfcc | |

-----------------

| mfcc | |

| mfcc | lime |

| mfcc | |

-----------------

'''

# {'apple':object, 'banana':object ...}

models = {}

for mfccs, label in zip(train_x, train_y):

model = hl.GaussianHMM(n_components=4,

covariance_type='diag', n_iter=1000)

models[label] = model.fit(mfccs)

'''

4. 读取testing文件夹中的测试样本，针对每一个测试样本：

1. 分别使用7个HMM模型，对测试样本计算score得分。

2. 取7个模型中得分最高的模型所属类别作为预测类别。

'''

#读取测试集数据

test_samples = \

search_file('../ml_data/speeches/testing')

​

test_x, test_y = [], []

for label, filenames in test_samples.items():

mfccs = np.array([])

for filename in filenames:

sample_rate, sigs = wf.read(filename)

mfcc = sf.mfcc(sigs, sample_rate)

if len(mfccs)==0:

mfccs = mfcc

else:

mfccs = np.append(mfccs, mfcc, axis=0)

test_x.append(mfccs)

test_y.append(label)

​

'''测试集：

test_x test_y

-----------------

| mfcc | apple |

-----------------

| mfcc | banana |

-----------------

| mfcc | lime |

-----------------

'''

pred_test_y = []

for mfccs in test_x:

# 判断mfccs与哪一个HMM模型更加匹配

best_score, best_label = None, None

for label, model in models.items():

score = model.score(mfccs)

if (best_score is None) or (best_score

best_score = score

best_label = label

pred_test_y.append(best_label)

​

print(test_y)

print(pred_test_y)

声音合成

根据需求获取某个声音的模型频域数据，根据业务需要可以修改模型数据，逆向生成时域数据，完成声音的合成。

案例：

import json

import numpy as np

import scipy.io.wavfile as wf

with open('../data/12.json', 'r') as f:

freqs = json.loads(f.read())

tones = [

('G5', 1.5),

('A5', 0.5),

('G5', 1.5),

('E5', 0.5),

('D5', 0.5),

('E5', 0.25),

('D5', 0.25),

('C5', 0.5),

('A4', 0.5),

('C5', 0.75)]

sample_rate = 44100

music = np.empty(shape=1)

for tone, duration in tones:

times = np.linspace(0, duration, duration * sample_rate)

sound = np.sin(2 * np.pi * freqs[tone] * times)

music = np.append(music, sound)

music *= 2 ** 15

music = music.astype(np.int16)

wf.write('../data/music.wav', sample_rate, music)

总结

以上所述是小编给大家介绍的Python实现语音识别和语音合成功能,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对脚本之家网站的支持！

如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！