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。

言语是成人人际交往的最基本手段。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 ，自然语言处理，让机器了解我们所说的话，和
• 第三 ，语音合成让机器说话。

本章重点介绍 语音识别 ，即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，就无法想象认知机器人与人交互。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。语音识别技术的难度可以沿着如下所述的多个维度进行广泛表征：

• 词汇量的 大小 - 词汇量的 大小会影响ASR的开发。考虑以下大小的词汇表以便更好地理解。
  • 例如，在语音菜单系统中，小型词汇表由2-100个单词组成
  • 例如，在数据库检索任务中，中等大小的词汇表由几个100到1,000个单词组成
  • 大型词汇表由几万个单词组成，如一般的听写任务。

请注意，词汇量越大，执行识别就越困难。

• 渠道特征 - 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，连接字模式还是连续语音模式。 请注意，连续语音难以识别。
• 口语风格 - 朗读演讲可以采用正式风格，也可以采用休闲风格自发和对话。 后者更难以识别。
• 说话者依赖 - 语音可以是说话者相关的，说话者自适应的或说话者独立的 独立的扬声器是最难建立的。
• 噪声类型 - 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，具体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
  • 如果信噪比介于30dB到10db之间，则认为是中等SNR
  • 如果信噪比小于10dB，则认为是低范围

例如，诸如静止，非人类噪声，背景语音和其他扬声器的串扰之类的背景噪声也会导致问题的困难。

• 麦克风特性 - 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。识别系统也应考虑这些因素。

尽管存在这些困难，研究人员仍然在语音的各个方面进行了大量工作，例如理解语音信号，说话者和识别口音。

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。使用音频信号可以遵循的一些常见步骤如下 -

记录

当您必须从文件中读取音频信号时，首先使用麦克风录制它。

采样

使用麦克风录制时，信号以数字化形式存储。但是要对它进行处理，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们听到信号时，他们会将其视为连续的音频信号。

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。该音频信号的频率为44,100HZ。

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')

此步骤涉及对信号进行标准化，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()

您将能够看到输出图形和为上述音频信号提取的数据，如此处图像所示：

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，并通过以下方式理解其频率分量。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。

范例

以下示例逐步显示如何使用存储在文件中的Python来表征信号。请注意，这里我们使用傅里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，如此处的命令所示：

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

在此步骤中，我们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')

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)

该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，做频域信号的归一化并将其平方：

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长度：

len_fts = len(signal_frequency)

注意，必须调整傅里叶变换信号以及奇数情况。

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

现在，以分贝（dB）提取功率 -

signal_power = 10 * np.log10(signal_frequency)

为X轴调整以kHz为单位的频率：

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

现在，可视化信号的特征描述如下：

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，如果要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，此步骤会将音频信号保存在输出文件中。

范例

在下面的示例中，我们将使用Python生成单调信号，该信号将存储在文件中。为此，您必须采取以下步骤：

如图所示导入必要的包：

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

提供应保存输出文件的文件

output_file = 'audio_signal_generated.wav'

现在，指定您选择的参数，如图所示：

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

在这一步中，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，将音频文件保存在输出文件中：

write(output_file, frequency_sampling, signal_scaled)

提取图表的前100个值，如图所示：

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如下：

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

您可以观察到如下图所示的情节 -

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。为此，我们可以使用不同的特征提取技术，如MFCC，PLP，PLP- RASTA等。

范例

在下面的示例中，我们将使用Python，使用MFCC技术逐步从信号中提取信号。

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，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。

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

请注意，我们在这里采用前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以提取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和可视化MFCC功能：

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

在此步骤中，我们使用如图所示的过滤器库功能：

提取过滤器库功能：

filterbank_features = logfbank(audio_signal, frequency_sampling)

现在，打印filterbank参数。

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

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('Filter bank')
plt.show()

根据上述步骤，您可以观察到以下输出：图1表示MFCC，图2表示滤波器组：

对口语的认识

语音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中的Google Speech API来实现它。我们需要为此安装以下软件包：

• Pyaudio - 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 - 可以使用命令 pip install google-api-python-client进行安装 。

范例

请注意以下示例以了解口头语言的识别

如图所示导入必要的包：

import speech_recognition as sr

创建一个对象，如下所示：

recording = sr.Recognizer()

现在， Microphone（） 模块将把声音作为输入：

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

现在，谷歌API将识别语音并提供输出。

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，如果你说 codingdict.com ，那么系统会正确识别它，如下所示：

codingdict.com

Python启发式搜索：启发式搜索在人工智能中起着关键作用。AI中的启发式搜索的概念启发式是一个经验法则，它引导我们找到可能的解决方案。人工智能中的大多数问题具有指数性质并且具有许多可能的解决方案。您不确切知道哪些解决方案是正确的，并且检查 ...