天道酬勤

最后的语音识别

本来想发完第二篇的时候就隔天发第三篇的，但是发现一个问题要想使用K临近需要具有相同的向量长度，这个问题想了一天，本来想定一个标准的长度，然后用线性插值（采样频率比较高所以影响不大，采样率低时可以使用非线性插值），但是算法写了一天，最后发现scipy中有这个库，代码如下，白写了很大的一段代码。

def normal_time(data,windowsNum):
    '''规整到的窗口数目'''
    voiceLen=windows*windowsNum
    x=np.linspace(0,voiceLen,len(data))
    f_linear = interpolate.interp1d(x, data)
    result=f_linear(range(voiceLen))
return result

第二点要说明一下，上一篇文章中的一个问题，那就是在得mel频率间隔的时候的frequency的选取，这个频率最好是16000左右，因为声音的信息基本在这个以下，如果选取的太高，反而会使加入噪声频率，使得有效频率被淹没。

第三就是要获得MFCC系数了，这个就是按照论文中的算法做了：

1、  对窗口做FFT，取模

2、  通过mel滤波器

3、  取对数，做DCT

def get_MFCC(mel,data,windows,vec):
    for i in range(windowsNum):
        yn=data[i*windows:(i+1)*windows]
        #pl.plot(range(len(yn)),yn)
        #pl.show()
        #print 'yn',len(yn)
        ssn=np.fft.fft(yn)
        sn=[]
        for tmp in ssn:
            sn.append((tmp*tmp.conjugate()).real)
        vectmp=[]
        for j in xrange(filterNum):
            sum=0
            for k in range(len(sn)):
                fs=k*samprate*1.0/(len(sn)-1)
                #if j==3:
                #    print 'fs',fs,sn[k],mel[0][j],mel[1][j],mel[2][j]
                if mel[0][j]<fs and fs<mel[1][j]:
                    sum+=sn[k]*(fs-mel[0][j])/(mel[1][j]-mel[0][j])
                elif mel[1][j]<fs and fs<mel[2][j]:
                    sum+=sn[k]*(fs-mel[1][j])/(mel[2][j]-mel[1][j])
            vectmp.append(np.log(sum))
        for tt in fftpack.dct(vectmp,norm='ortho')[1:]:
            #print tt
            vec.append(tt)

最后要说的是训练了，这个倒是没什么，直接贴代码：

    sample0vec=[]
    for jj in xrange(42):
        print 'excise0:',str(jj)
        wf=wave.open(str(jj)+"_00.wav",'rb')
        nchannels,sampwidth,framerate,nframes=wf.getparams()[:4]
        str_data=wf.readframes(nframes)
        wave_data1=np.fromstring(str_data,dtype=np.short)
        wave_data=normal_time(wave_data1,windowsNum)
        maxvalue=max(wave_data)
        data=normalization(wave_data,maxvalue)
        vec=[]
        get_MFCC(mel,data,windows,vec)
        sample0vec.append(vec)

当然识别和训练的代码一样就是，多加一个欧氏距离的判断，如下

     distsum0=0
            for j in xrange(len(sample0vec)):
                dist=np.linalg.norm(np.array(sample0vec[j]) - np.array(voicevec))
                distsum0+=dist
                #print '0 dist:',distsum0
            plotvalue0.append(distsum0/len(sample0vec))
            distsum1=0
            for j in xrange(len(sample1vec)):
                dist=np.linalg.norm(np.array(sample1vec[j]) - np.array(voicevec))
                distsum1+=dist
                #print '1 dist:' ,distsum1
            plotvalue1.append(distsum1/len(sample1vec))
            if distsum1/len(sample1vec)>distsum0/len(sample0vec):
                print 'voice is : 0'
            else:
                print 'voice is : 1'
            num=raw_input("input right num:")
            print 'you input:',int(num)
            if int(num)==1:
                sample1vec.append(voicevec)
            else:
                sample0vec.append(voicevec)

现在看看我识别的效果吧，这是我识别0和1的效果，由于样本不多只有40个，基本上在刚开始识别的时候可能出错，但是看到上面的代码有一定的自学习的功能（比较烂），所以在识别20个左右的时候基本可以达到95%。还有一个要注意的地方，就是滤波器数目窗口大小，以及规整到窗口数目的设定，一般滤波器设的越多越准但是计算量越大，窗口大小不要太大或太小，一般根据采样频率设定，一个窗口要包含一个正弦，规整到的窗口数目也要做相应的变化。下面是我的设定：采样频率是44100，filterNum=32、windows=1024、windowsNum=16