100字范文 > 手把手教你：基于TensorFlow的语音识别系统

手把手教你：基于TensorFlow的语音识别系统

时间：2022-09-17 11:30:13

系列文章

第十章、手把手教你：基于Django的用户画像可视化系统第九章、手把手教你：个人信贷违约预测模型第八章、手把手教你：基于LSTM的股票预测系统

系列文章一、项目简介二、语音数据集介绍1.不同人的声音2.每人不同单词的发音3.声音波形三、代码功能介绍1.依赖环境及项目目录2.数据读取与预处理（data_create.py）3.语音数据分帧及mfcc处理（data_create.py）4.模型构建（model.py）5.模型训练（model_train.py）6.模型评估（model_test.py）7.模型训练可视化8.模型预测（func_test.py）四、代码下载地址

一、项目简介

本文主要介绍如何使用python搭建一个：基于TensorFlow的语音识别系统。

本文主要分为3部分：

1、项目数据集介绍。2、项目功能及相关代码展示。3、项目完整下载地址。

博主也参考过语音识别系统相关模型的文章，但大多是理论大于方法。很多同学肯定对原理不需要过多了解，只需要搭建出一个可视化系统即可。

也正是因为我发现网上大多的帖子只是针对原理进行介绍，功能实现的相对很少。

如果您有以上想法，那就找对地方了！

不多废话，直接进入正题！

二、语音数据集介绍

本项目采用的是不同英文单词，不同人的语言发音的电信号采样数据。

1.不同人的声音

三个不同人的声音：

2.每人不同单词的发音

每个人不同单词的发音：

3.声音波形

单词“CAMARA”：

单词“WELCOME”：

三、代码功能介绍

项目思路是：
1.将不同单词的发音文件分类。
2.将音频文件进行分帧。
3.实现mfcc编码。
4.构建训练及测试数据。
5.送入模型进行分类训练。
6.验证训练结果

1.依赖环境及项目目录

1.TensorFlow-GPU，版本:2.0及以上
2. librosa
3. sklearn

项目目录如下：

戳我：完整代码下载

2.数据读取与预处理（data_create.py）

语音数据文件为.data 的时序数据。

def get_voice_vec(path):"""读取文件:param path::return:"""with open(path, 'r') as f:# 读取每行数据readData = f.readlines()# 删除无用数据readData_d = readData[9:]voice_list = []# 将音频数据填入listfor e in readData_d:# 分离数据e_s = e.replace('\n', '').split('\t')voice = e_s[2]voice_list.append(float(voice))return_list = voice_listreturn return_list

3.语音数据分帧及mfcc处理（data_create.py）

使用librosa对语音数据文件进行分帧和mfcc处理

def vec_label(in_vec, in_label, cut_length=20000, sap_num=50):"""数据截取，生成训练数据:return:"""print("读取的数据文件数量：", len(in_vec))print("开始处理数据分割......")# 最终训练数据train_data = []train_label = []for org_vec, org_label in tqdm(zip(in_vec, in_label)):head_vec = org_vec[:cut_length]end_vec = org_vec[len(org_vec) - cut_length:]# 截取前后2w无声音数据cuted_vec = org_vec[20000:len(org_vec) - 20000]'''# 添加无语音块train_data.append(head_vec)train_label.append("-1")train_data.append(end_vec)train_label.append("-1")# 语音数据分割采样cut_time = int(len(cuted_vec) / cut_length)for i in range(0, cut_time):cut_vec = cuted_vec[i * cut_length: (i + 1) * cut_length]train_data.append(cut_vec)train_label.append(org_label)'''for i in range(0, sap_num):# 生成起始位置start_index = int(random.uniform(0, len(cuted_vec) - cut_length))# 语音数据分割采样cut_vec = cuted_vec[start_index:start_index + cut_length]train_data.append(cut_vec)train_label.append(org_label)print("完成数据分割和采样！")train_label = change_label(train_label, "train_data/label_class.npy")print("完成分类类别编码！")# 打乱训练数据train_data = np.asarray(train_data, np.float64)train_label = np.asarray(train_label, np.int64)print("完成numpy数组转换！")# mfcc编码train_data = extract_features(train_data)print("完成mfcc编码！")train_data, train_label = random_data(train_data, train_label)print("完成数据打乱！")return train_data, train_label

4.模型构建（model.py）

使用TensorFlow对模型进行构建，本文构建的是基于残差模块的cnn网络。

def __init__(self, input_shape=(512, 512, 3), classes=2):self.input_shape = input_shapeself.classes = classes# 恒等模块——identity_blockdef identity_block(self, X, f, filters, stage, block):"""三层的恒等残差块param :X -- 输入的张量，维度为（m, n_H_prev, n_W_prev, n_C_prev）f -- 整数，指定主路径的中间 CONV 窗口的形状filters -- python整数列表，定义主路径的CONV层中的过滤器数目stage -- 整数，用于命名层，取决于它们在网络中的位置block --字符串/字符，用于命名层，取决于它们在网络中的位置return:X -- 三层的恒等残差块的输出，维度为：(n_H, n_W, n_C)"""# 定义基本的名字conv_name_base = "res" + str(stage) + block + "_branch"bn_name_base = "bn" + str(stage) + block + "_branch"# 过滤器F1, F2, F3 = filters# 保存输入值，后将输入值返回主路径X_shortcut = X# 主路径第一部分X = layers.Conv2D(filters=F1, kernel_size=(1, 1), strides=(1, 1), padding="valid",name=conv_name_base + "2a", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)X = layers.BatchNormalization(axis=3, name=bn_name_base + "2a")(X)X = layers.Activation("relu")(X)# 主路径第二部分X = layers.Conv2D(filters=F2, kernel_size=(f, f), strides=(1, 1), padding="same",name=conv_name_base + "2b", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)X = layers.BatchNormalization(axis=3, name=bn_name_base + "2b")(X)X = layers.Activation("relu")(X)# 主路径第三部分X = layers.Conv2D(filters=F3, kernel_size=(1, 1), strides=(1, 1), padding="valid",name=conv_name_base + "2c", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)X = layers.BatchNormalization(axis=3, name=bn_name_base + "2c")(X)# 主路径最后部分,为主路径添加shortcut并通过relu激活X = layers.Add()([X, X_shortcut])X = layers.Activation("relu")(X)return X# 卷积残差块——convolutional_blockdef convolutional_block(self, X, f, filters, stage, block, s=2):"""param :X -- 输入的张量，维度为（m, n_H_prev, n_W_prev, n_C_prev）f -- 整数，指定主路径的中间 CONV 窗口的形状（过滤器大小，ResNet中f=3）filters -- python整数列表，定义主路径的CONV层中过滤器的数目stage -- 整数，用于命名层，取决于它们在网络中的位置block --字符串/字符，用于命名层，取决于它们在网络中的位置s -- 整数，指定使用的步幅return:X -- 卷积残差块的输出，维度为：(n_H, n_W, n_C)"""# 定义基本名字conv_name_base = "res" + str(stage) + block + "_branch"bn_name_base = "bn" + str(stage) + block + "_branch"# 过滤器F1, F2, F3 = filters# 保存输入值，后将输入值返回主路径X_shortcut = X# 主路径第一部分X = layers.Conv2D(filters=F1, kernel_size=(1, 1), strides=(s, s), padding="valid",name=conv_name_base + "2a", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)X = layers.BatchNormalization(axis=3, name=bn_name_base + "2a")(X)X = layers.Activation("relu")(X)# 主路径第二部分X = layers.Conv2D(filters=F2, kernel_size=(f, f), strides=(1, 1), padding="same",name=conv_name_base + "2b", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)X = layers.BatchNormalization(axis=3, name=bn_name_base + "2b")(X)X = layers.Activation("relu")(X)# 主路径第三部分X = layers.Conv2D(filters=F3, kernel_size=(1, 1), strides=(1, 1), padding="valid",name=conv_name_base + "2c", kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X)X = layers.BatchNormalization(axis=3, name=bn_name_base + "2c")(X)# shortcut路径X_shortcut = layers.Conv2D(filters=F3, kernel_size=(1, 1), strides=(s, s), padding="valid",name=conv_name_base + "1",kernel_initializer=keras.initializers.glorot_uniform(seed=0))(X_shortcut)X_shortcut = layers.BatchNormalization(axis=3, name=bn_name_base + "1")(X_shortcut)# 主路径最后部分,为主路径添加shortcut并通过relu激活X = layers.Add()([X, X_shortcut])X = layers.Activation("relu")(X)return X

5.模型训练（model_train.py）

本次项目设置的同时输入语音数据：batch_size = 16。训练轮数：num_epochs = 10。初始化学习率参数：learning_rate = 1e-4。训练结果如下：

6.模型评估（model_test.py）

针对13个不同人的发音的单词进行训练后测试模型分类的准确率。

可以看到模型的准确率还是相对比较高的。

7.模型训练可视化

可以看到在模型训练至2-3个epoch左右的时候模型接近收敛。

8.模型预测（func_test.py）

最终实现的功能为：读取单个的语音数据文件，模型预测后会输出这个文件所说的单词有哪些，代码及效果如下：

def get_voice_vec(path):"""读取文件:param path::return:"""with open(path, 'r') as f:# 读取每行数据readData = f.readlines()# 删除无用数据readData_d = readData[9:]voice_list = []# 将音频数据填入listfor e in readData_d:# 分离数据e_s = e.replace('\n', '').split('\t')voice = e_s[2]voice_list.append(float(voice))return_list = voice_list# 截取前2w无声音数据cuted_vec = return_list[20000:]# 语音数据分割cut_length = 40000test_data = []cut_time = int(len(cuted_vec) / cut_length)for i in range(0, cut_time):cut_vec = cuted_vec[i * cut_length: (i + 1) * cut_length]test_data.append(cut_vec)# mfcc编码test_data = extract_features(test_data)return test_datadef run_classification():choose_path = get_file_path()# 获取文件数据vc = get_voice_vec(choose_path)print("获取数据文件，mfcc转码成功!")# 修改data的shapedata = vc.reshape((vc.shape[0], vc.shape[1], vc.shape[2], 1))print("*" * 10)print("读取模型......")# 读取模型model = keras.models.load_model('models_save/resnet_model.h5')print("加载保存的模型成功！")print("*" * 10)print("开始预测......")# 获取结果y_pred = model.predict(data)print("*" * 10)print("模型输出预测结果......")# 将结果转换为普通数组y_pred = [np.argmax(x) for x in y_pred]label_class = np.load('train_data/label_class.npy')# 类别转化为单词y_pred_e = []for e in y_pred:y_pred_e.append(label_class[e])print("您选择的语音文件对应的单词为：", y_pred_e)

模型测试效果：