Speech Recognition

在本章中，我们将学习使用Python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 -

• First ，语音识别允许机器捕捉我们说的单词，短语和句子

• Second ，自然语言处理，让机器了解我们所说的话，和

• Third ，语音合成让机器说话。

本章重点介绍speech recognition ，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 -

• Size of the vocabulary大小 - Size of the vocabulary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。

• Channel characteristics - 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。

• Speaking mode - 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，连续语音难以识别。

• Speaking style - 朗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。 后者更难以识别。

• Speaker dependency - 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。

• Type of noise - 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更多的背景噪声 -

• 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。

• Microphone characteristics - Microphone characteristics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 -

录制(Recording)

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。

Sampling

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。

例子 (Example)

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，如此处的图像所示

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。

例子 (Example)

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。

例子 (Example)

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。

例子 (Example)

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。 在这里，我们使用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pip install Pyaudio 。

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

• Google-Speech-API - 可以使用命令pip install google-api-python-client 。

例子 (Example)

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xnip.cn ，那么系统会正确识别它，如下所示 -

xnip.cn