语音识别
语音识别详细操作教程
在本章中，我们将学习使用AI和Python进行语音识别。言语是成人人际沟通的最基本手段。 语音处理的基本目标是提供人与机器之间的交互。语音处理系统主要有三项任务 -
首先，语音识别允许机器捕捉我们所说的单词，短语和句子
其次，自然语言处理使机器能够理解我们所说的话
第三，语音合成允许机器说话。
本章重点讲述语音识别，理解人类说话的过程。 请记住，在麦克风的帮助下捕捉语音信号，然后系统才能理解它。
构建语音识别器
语音识别或自动语音识别(ASR)是AI机器人等AI项目的关注焦点。 没有ASR，就不可能想象一个认知机器人与人进行交互。 但是，构建语音识别器并不容易。
开发语音识别系统的困难开发高质量的语音识别系统确实是一个难题。 语音识别技术的困难可以广泛地表征为如下所讨论的许多维度 -
词汇大小 - 词汇大小影响开发ASR的难易程度。考虑以下词汇量以便更好地理解。 例如，在一个语音菜单系统中，一个小词汇由2到100个单词组成 例如，在数据库检索任务中，中等大小的词汇包含几个100到1000个单词 一个大的词汇由几万个单词组成，如在一般的听写任务中。
信道特性 - 信道质量也是一个重要的维度。 例如，人类语音包含全频率范围的高带宽，而电话语音包含频率范围有限的低带宽。 请注意，后者更难。
说话模式 - 轻松开发ASR还取决于说话模式，即语音是处于孤立词模式还是连接词模式，还是处于连续语音模式。 请注意，连续说话很难辨认。
口语风格 - 阅读说话可以采用正式风格，也可以采用自发风格和对话风格。 后者更难以识别。
扬声器依赖性 - 语音可以依赖扬声器，扬声器自适应或扬声器独立。 独立发言人是最难建立的。
噪音类型 - 噪音是开发ASR时需要考虑的另一个因素。 信噪比可以在各种范围内，这取决于观察较少的声学环境与较多的背景噪声 - 如果信噪比大于30dB，则认为是高范围 如果信噪比在30dB到10db之间，则认为是中等信噪比 如果信噪比小于10dB，则认为是低范围
麦克风特性 - 麦克风的质量可能很好，平均水平或低于平均水平。 此外，嘴和微型电话之间的距离可能会有所不同。 识别系统也应考虑这些因素。
尽管存在这些困难，研究人员在语音的各个方面做了很多工作，例如理解语音信号，说话人以及识别口音。
所以，需要按照以下步骤构建语音识别器 -
可视化音频信号 - 从文件读取并进行处理
这是构建语音识别系统的第一步，因为它可以帮助您理解音频信号的结构。 处理音频信号可遵循的一些常见步骤如下所示 -
记录当必须从文件中读取音频信号时，首先使用麦克风录制。
采样用麦克风录音时，信号以数字形式存储。 但为了解决这个问题，机器需要使用离散数字形式。 因此，我们应该以某个频率进行采样，并将信号转换为离散数字形式。 选择高频采样意味着当人类听到信号时，他们会感觉它是一个连续的音频信号。
示例
以下示例显示了使用Python存储在文件中的逐步分析音频信号的方法。 这个音频信号的频率是44,100HZ。
下面导入必要的软件包 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile
现在，读取存储的音频文件。 它会返回两个值:采样频率和音频信号。 提供存储音频文件的路径，如下所示 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
frequency_sampling, audio_signal = wavfile.read("/Users/admin/audio_file.wav")
使用显示的命令显示音频信号的采样频率，信号的数据类型及其持续时间等参数 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
print('\nSignal shape:', audio_signal.shape)
print('Signal Datatype:', audio_signal.dtype)
print('Signal duration:', round(audio_signal.shape[0] /
float(frequency_sampling), 2), 'seconds')
这一步涉及如下所示对信号进行标准化 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
audio_signal = audio_signal / np.power(2, 15)
在这一步中，从这个信号中提取出前100个值进行可视化。 为此目的使用以下命令 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
audio_signal = audio_signal [:100]
time_axis = 1000 * np.arange(0, len(signal), 1) / float(frequency_sampling)
现在，使用下面给出的命令可视化信号 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
plt.plot(time_axis, signal, color='blue')
plt.xlabel('Time (milliseconds)')
plt.ylabel('Amplitude')
plt.title('Input audio signal')
plt.show()
下面输出图形是上述音频信号提取的数据，如图所示 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
Signal shape: (132300,)
Signal Datatype: int16
Signal duration: 3.0 seconds
表征音频信号:转换到频域
表征音频信号涉及将时域信号转换为频域，并通过以下方式理解其频率分量。 这是一个重要的步骤，因为它提供了关于信号的大量信息。 可以使用像傅立叶变换这样的数学工具来执行此转换。
示例
以下示例将逐步说明如何使用存储在文件中的Python来表征信号。 请注意，这里使用傅里叶变换数学工具将其转换为频域。
导入必要的软件包，如下所示 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile
现在，读取存储的音频文件。 它会返回两个值:采样频率和音频信号。 提供存储音频文件的路径，如命令所示 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
frequency_sampling, audio_signal = wavfile.read("/Users/admin/sample.wav")
在这一步中，将使用下面给出的命令显示音频信号的采样频率，信号的数据类型和持续时间等参数 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
print('\nSignal shape:', audio_signal.shape)
print('Signal Datatype:', audio_signal.dtype)
print('Signal duration:', round(audio_signal.shape[0] /
float(frequency_sampling), 2), 'seconds')
在这一步中，我们需要对信号进行标准化，如下面的命令所示 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
audio_signal = audio_signal / np.power(2, 15)
这一步涉及提取信号的长度和半长。使用以下命令 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
length_signal = len(audio_signal)
half_length = np.ceil((length_signal + 1) / 2.0).astype(np.int)
现在，需要应用数学工具来转换到频域。 这里使用傅里叶变换。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
signal_frequency = np.fft.fft(audio_signal)
现在，进行频域信号的归一化并将其平方 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
signal_frequency = abs(signal_frequency[0:half_length]) / length_signal
signal_frequency **= 2
接下来，提取频率变换信号的长度和一半长度 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
len_fts = len(signal_frequency)
请注意，傅里叶变换信号必须针对奇偶情况进行调整。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
if length_signal % 2:
signal_frequency[1:len_fts] *= 2
else:
signal_frequency[1:len_fts-1] *= 2
现在，以分贝(dB)为单位提取功率 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
signal_power = 10 * np.log10(signal_frequency)
调整X轴的以kHz为单位的频率 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
x_axis = np.arange(0, len_half, 1) * (frequency_sampling / length_signal) / 1000.0
现在，将信号的特征可视化如下 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
plt.figure()
plt.plot(x_axis, signal_power, color='black')
plt.xlabel('Frequency (kHz)')
plt.ylabel('Signal power (dB)')
plt.show()
可以观察上面代码的输出图形，如下图所示 -
生成单调音频信号
到目前为止你所看到的两个步骤对于了解信号很重要。 现在，如果要使用某些预定义参数生成音频信号，此步骤将很有用。 请注意，此步骤会将音频信号保存在输出文件中。
示例
在下面的例子中，我们将使用Python生成一个单调信号，它将被存储在一个文件中。需要采取以下步骤 -
导入必要的软件包 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
import numpy as np
import matplotlib.pyplot as plt
from scipy.io.wavfile import write
指定输出保存的文件 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
output_file = 'audio_signal_generated.wav'
现在，指定选择的参数，如图所示 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
duration = 4 # in seconds
frequency_sampling = 44100 # in Hz
frequency_tone = 784
min_val = -4 * np.pi
max_val = 4 * np.pi
在这一步中，我们可以生成音频信号，如下代码所示 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
t = np.linspace(min_val, max_val, duration * frequency_sampling)
audio_signal = np.sin(2 * np.pi * tone_freq * t)
现在，将音频文件保存在输出文件中 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
write(output_file, frequency_sampling, signal_scaled)
如图所示，提取图形的前100个值 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
audio_signal = audio_signal[:100]
time_axis = 1000 * np.arange(0, len(signal), 1) / float(sampling_freq)
现在，将生成的音频信号可视化如下 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
plt.plot(time_axis, signal, color='blue')
plt.xlabel('Time in milliseconds')
plt.ylabel('Amplitude')
plt.title('Generated audio signal')
plt.show()
可以观察这里给出的图形 -
语音特征提取
这是构建语音识别器的最重要步骤，因为在将语音信号转换为频域后，我们必须将其转换为可用的特征向量形式。 可以为此使用不同的特征提取技术，如MFCC，PLP，PLP-RASTA等。
示例
在以下示例中，我们将使用MFCC技术逐步使用Python从信号中提取特征。
导入必要的软件包，如下所示 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile
from python_speech_features import mfcc, logfbank
现在，读取存储的音频文件。 它会返回两个值 - 采样频率和音频信号。 提供存储音频文件的路径。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
frequency_sampling, audio_signal = wavfile.read("/Users/admin/audio_file.wav")
请注意，在此首先抽取15000个样本进行分析。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
audio_signal = audio_signal[:15000]
使用MFCC技术并执行以下命令来提取MFCC特征 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
features_mfcc = mfcc(audio_signal, frequency_sampling)
现在，打印MFCC参数，如下所示 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
print('\nMFCC:\nNumber of windows =', features_mfcc.shape[0])
print('Length of each feature =', features_mfcc.shape[1])
使用下面给出的命令绘制并可视化MFCC特征 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
features_mfcc = features_mfcc.T
plt.matshow(features_mfcc)
plt.title('MFCC')
在这一步中，我们使用如下滤器组特征，提取过滤器组特征 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
filterbank_features = logfbank(audio_signal, frequency_sampling)
现在，打印过滤器组参数。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
print('\nFilter bank:\nNumber of windows =', filterbank_features.shape[0])
print('Length of each feature =', filterbank_features.shape[1])
绘制并可视化过滤器组特征。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
filterbank_features = filterbank_features.T
plt.matshow(filterbank_features)
plt.title('Filter bank')
plt.show()
根据上述步骤，您可以观察到以下输出:图1为MFCC，图2为过滤器组。
口语词的识别
语音识别意味着当人们说话时，机器就会理解它。 这里使用Python中的Google Speech API来实现它。 需要为此安装以下软件包 -
Pyaudio - 它可以通过使用pip安装Pyaudio命令进行安装。
SpeechRecognition - 这个软件包可以通过使用pip install SpeechRecognition进行安装。
Google-Speech-API - 可以使用命令pip install google-api-python-client进行安装。
实例
观察下面的例子来理解口语的识别。如下所示导入必要的软件包 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
import speech_recognition as sr
创建一个对象，如下所示 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
recording = sr.Recognizer()
现在，Microphone()模块将把语音作为输入 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
with sr.Microphone() as source: recording.adjust_for_ambient_noise(source)
print("Please Say something:")
audio = recording.listen(source)
现在谷歌API会识别语音并提供输出。
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
try:
print("You said: \n" + recording.recognize_google(audio))
except Exception as e:
print(e)
可以看到下面的输出 -
# Filename : example.py
# Copyright : 2020 By Lidihuo
# Author by : www.lidihuo.com
# Date : 2020-08-26
Please Say Something:
You said:
例如，如果您说hello lidihuo，那么系统会如下正确识别它 -
