AI与Python - 语音识别

在本章中，我们将学习使用AI和Python进行语音识别.

语音是成人人际交流的最基本手段.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个任务 :

• 首先，语音识别，允许机器捕捉我们说的单词，短语和句子

• 第二次，自然语言处理，让机器了解我们说的话，

• 第三次，语音合成让机器说话.

本章重点关注语音识别，理解人类所说话语的过程.请记住，语音信号是在麦克风的帮助下捕获的，然后必须由系统理解.

构建语音识别器

语音识别或自动语音识别(ASR)是机器人等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交互.然而，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是真是一个难题.语音识别技术的难度可以广泛地表征为多个维度，如下所述 :

• 大小词汇 : 词汇量的大小会影响开发ASR的难易程度.考虑以下大小的词汇表以便更好地理解.

• 小型词汇表由2-100组成单词，例如，在语音菜单系统中

• 中等大小的词汇表包含几个100到1,000个单词，例如，数据库检索任务

• 大型词汇表由几万个单词组成，如一般的口述任务.

请注意，词汇量越大，执行识别的难度就越大.

• 频道特征 : 渠道质量也是一个重要方面.例如，人类语音包含具有全频率范围的高带宽，而电话语音包括具有有限频率范围的低带宽.请注意，后者更难.

• 说话模式 : 易于开发ASR还取决于说话模式，即语音是处于隔离字模式，还是连接字模式，还是处于连续语音模式.请注意，连续发言很难识别.

• 说话风格 : 阅读演讲可以采用正式风格，也可以是随意风格的自发和对话.后者更难识别.

• 演讲者依赖 : 语音可以取决于说话者，说话者自适应或独立于说话者.独立发言人是最难建立的.

• 噪音类型 : 噪声是开发ASR时需要考虑的另一个因素.信噪比可能在不同的范围内，取决于观察较少的声学环境与较多的背景噪声和减去;

• 如果信噪比大于30dB，则认为是高范围

• 如果信噪比介于30dB到10db之间，它被认为是中等信噪比

• 如果信噪比小于10dB，则认为是低范围

例如，背景噪音的类型，如静止，非人为噪音，背景语音和其他扬声器的串扰，也会导致问题的困难.

• 麦克风特征 : 麦克风的质量可能很好，平均或低于平均水平.此外，嘴和微型电话之间的距离可能会有所不同.这些因素也应该考虑用于识别系统.

尽管存在这些困难，研究人员还是在语言的各个方面做了大量工作，例如理解语音信号，说话者和识别重音符号.

您必须按照下面给出的步骤构建语音识别器 :

可视化音频信号 - 从文件读取并处理它

这是构建语音识别系统的第一步，因为它可以理解音频信号的结构.使用音频信号时可以遵循的一些常见步骤如下:

录音

当您必须从a读取音频信号时文件，然后首先使用麦克风录制.

采样

使用麦克风录制时，信号以数字化形式存储.但要对其进行处理，机器需要它们以离散的数字形式.因此，我们应该以特定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，他们会将其视为连续的音频信号.

示例

以下示例显示了使用Python分析音频信号的逐步方法，该方法存储在文件中.此音频信号的频率为44,100 HZ.

导入必要的包，如下所示 :

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.它将返回两个值:采样频率和音频信号.提供存储它的音频文件的路径，如下所示 :

frequency_sampling, audio_signal = wavfile.read("/Users/admin/audio_file.wav")

使用显示和减去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.

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')

此步骤涉及规范化信号，如下所示 :

audio_signal = audio_signal / np.power(2, 15)

在此步骤中，我们从此信号中提取前100个值以进行可视化.为此目的使用以下命令 :

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;

plt.plot(time_axis, signal, color='blue')
plt.xlabel('Time (milliseconds)')
plt.ylabel('Amplitude')
plt.title('Input audio signal')
plt.show()

你将能够查看输出图和为上述音频信号提取的数据，如图所示

Signal shape: (132300,)
Signal Datatype: int16
Signal duration: 3.0 seconds

表征音频信号:转换为频域

表征音频信号涉及将时域信号转换为频域，并通过以下方式了解其频率分量.这是一个重要的步骤，因为它提供了有关信号的大量信息.您可以使用傅里叶变换等数学工具来执行此转换.

示例

以下示例逐步显示如何使用Python来表征信号，该文件存储在文件中.请注意，这里我们使用傅立叶变换数学工具将其转换为频域.

导入必要的包，如下所示 :

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.它将返回两个值:采样频率和音频信号.提供存储它的音频文件的路径，如命令所示 :

frequency_sampling, audio_signal = wavfile.read("/Users/admin/sample.wav")

在此步骤中，我们将显示音频信号的采样频率，信号的数据类型及其参数等参数持续时间，使用下面给出的命令 :

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')

在此步骤中，我们需要对信号进行标准化，如以下命令所示 :

audio_signal = audio_signal / np.power(2, 15)

此步骤涉及提取信号的长度和长度.为此目的使用以下命令 :

length_signal = len(audio_signal)
half_length = np.ceil((length_signal + 1) / 2.0).astype(np.int)

现在，我们需要应用数学工具来转换为频域.这里我们使用傅立叶变换.

signal_frequency = np.fft.fft(audio_signal)

现在，对频域信号进行归一化并对其进行平方和减去;

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半长度 :

len_fts = len(signal_frequency)

请注意，傅立叶变换后的信号必须是调整为偶数和奇数情况.

if length_signal % 2:
   signal_frequency[1:len_fts] *= 2
else:
   signal_frequency[1:len_fts-1] *= 2

现在，以分贝(dB)和负数提取功率;

signal_power = 10 * np.log10(signal_frequency)

调整频率，以kHz为单位表示X轴和减号;

x_axis = np.arange(0, len_half, 1) * (frequency_sampling / length_signal) / 1000.0

现在，可视化信号的特征如下 :

plt.figure()
plt.plot(x_axis, signal_power, color='black')
plt.xlabel('Frequency (kHz)')
plt.ylabel('Signal power (dB)')
plt.show()

您可以观察上面代码的输出图，如下图所示 :

生成单调音频信号

到目前为止，您已经看到的两个步骤对于了解信号非常重要.现在，如果您想生成带有一些预定义参数的音频信号，此步骤将非常有用.请注意，此步骤将音频信号保存在输出文件中.

示例

在以下示例中，我们将生成单调信号，使用Python，它将存储在一个文件中.为此，您必须采取以下步骤 :

导入必要的包，如下所示 :

import numpy as np
import matplotlib.pyplot as plt
from scipy.io.wavfile import write

提供文件应保存输出文件的位置

output_file = 'audio_signal_generated.wav'

现在，指定您选择的参数，如下所示 :

duration = 4 # in seconds
frequency_sampling = 44100 # in Hz
frequency_tone = 784
min_val = -4 * np.pi
max_val = 4 * np.pi

在此步骤中，我们可以生成音频信号，如图所示 :

t = np.linspace(min_val，max_val，duration * frequency_sampling) 
audio_signal = np.sin(2 * np.pi * tone_freq * t)

现在，sav e输出文件中的音频文件 :

write(output_file，frequency_sampling，signal_scaled)

提取图表的前100个值，如下所示 :

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为跟随 :

plt.plot(time_axis, signal, color='blue')
plt.xlabel('Time in milliseconds')
plt.ylabel('Amplitude')
plt.title('Generated audio signal')
plt.show()

你可以观察到如下图所示的情节:

从语音中提取特征

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.为此，我们可以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Python，通过使用MFCC技术逐步从信号中提取特征.

导入必要的包，如下所示 :

import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile
from python_speech_features import mfcc, logfbank

现在，阅读存储的音频文件.它将返回两个值和减号;采样频率和音频信号.提供存储它的音频文件的路径.

frequency_sampling, audio_signal = wavfile.read("/Users/admin/audio_file.wav")

请注意，这里我们首先采集15000个样本进行分析.

audio_signal = audio_signal[:15000]

使用MFCC技术并执行以下命令来提取MFCC功能 :

features_mfcc = mfcc(audio_signal, frequency_sampling)

现在，打印MFCC参数，如图所示 :

print('\nMFCC:\nNumber of windows =', features_mfcc.shape[0])
print('Length of each feature =', features_mfcc.shape[1])

现在，使用下面给出的命令绘制并可视化MFCC要素;&/p>

features_mfcc = features_mfcc.T
plt.matshow(features_mfcc)
plt.title('MFCC')

在此步骤中，我们使用过滤器库功能如图所示&减去;

提取过滤器库功能和减号;

 
 filterbank_features = logfbank(audio_signal，frequency_sampling)

现在，打印filterbank参数.

 打印('\ nFilter bank:\ nNumber of windows ='，filterbank_features.shape [0])
 print('每个特征的长度='，filterbank_features.shape [1])$ b $ b

现在，绘制并可视化滤波器组功能.

 
 filterbank_features = filterbank_features.T 
 plt.matshow(filterbank_features)
 plt.title('过滤银行')
 plt.show()

通过上述步骤，您可以观察到以下输出:图1表示MFCC，图2表示Fi lter Bank

识别口语

演讲识别意味着当人类说话时，机器会理解它.我们在这里使用Python语音API来实现它.我们需要为此减去安装以下软件包;

• Pyaudio : 它可以使用 pip install Pyaudio 命令安装.

• SpeechRecognition : 可以使用 pip install SpeechRecognition安装此软件包.

• Google-Speech-API : 它可以使用命令 pip install google-api-python-client 进行安装.

示例

观察以下示例以了解有关口语单词的识别和减号;

导入必要的包，如下所示 :

import speech_recognition as sr

创建一个如下所示的对象 :

recording = sr.Recognizer()

现在，麦克风()模块将声音作为输入 :

with sr.Microphone() as source: recording.adjust_for_ambient_noise(source)
   print("Please Say something:")
   audio = recording.listen(source)

现在谷歌API会识别语音并给出输出.

try:
  print("You said: \n" + recording.recognize_google(audio))
except Exception as e:
  print(e)

你可以看到以下输出 :

Please Say Something:
You said:

例如，如果您说 it1352.com ，那么系统会正确识别它，如下所示;

 
 it1352.com