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

---

---

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list
        for 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
    return 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_shape
        self.classes = classes

    # 恒等模块——identity_block
    def 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_block
    def 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list
        for 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 = 40000
    test_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_data


def 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shape
    data = 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：
  

---

四、代码下载地址

由于项目代码量和数据集较大，感兴趣的同学可以直接下载代码，使用过程中如遇到任何问题可以在评论区进行评论，我都会一一解答。

代码下载：

• 【代码分享】手把手教你：基于TensorFlow的语音识别系统