人工智能开发实时语音识别系统应用

内容提要

1. 项目分析
2. 预备知识
3. 项目实战

一、项目分析

1、问题提出

数字0-9是我们生活中常见的10个基数，在医院、银行、饭店等场所，由于资源和人手的受限，人们必须排队等候服务，叫号系统应运而生。

任何一个数字，都是由10个基数构成的，英文叫号系统在播报序号时，如果能将对应的阿拉伯数字及时展示在大屏上，这对于以非英语为母语的顾客而言，无疑是一个很好的福音，能帮助他们不会因语言障碍而错过漫长的排队。因此，有必要借助于机器来实现英语数字的识别。

下面，我们利用语音特征提取技术和卷积神经网络模型，对数字语音进行识别以解决上述问题。

2、解决方案

为识别出一段语音中的数字，一种简单的实现方法是首先将语音进行分段切分，按说话的停顿切分出每个单词，然后提取每个单词的语音特征。

其次构建一个多层CNN分类器，利用0-9的语音样本集对模型进行训练，得到满足精度要求的模型。

最后利用训练好的模型逐个对提取的单词语音特征进行分类，看它属于0-9中的那个数字，然后将分类出的数字组合起来就得到最终的识别结果。

二、预备知识

语音识别过程中，要用到语音检测模块webrtcvad、语音特征提取模块python_speech_features和飞桨框架paddlepaddle。

1、webrtcvad模块

webrtcvad模块是一个语音活动检测器的python接口，通过VAD(Voice Activity Detection)算法将音频数据分类为有声或无声，据此来判断语音的开始和结束，也就能从数字语音中切分出一个个的单词。

【案例1】切分音频文件中有效的语音数据

编程前要使用如下命令先安装webrtcvad模块：

pip3 install webrtcvad

然后编程完成语音切分，实现的源代码（case1.ipynb）如下。

1	import scipy.io.wavfile as wav
2	import webrtcvad
3	import numpy as np
4	samp_rate, signal_data = wav.read('data/1_5.wav')
5	vad = webrtcvad.Vad(mode=3)
6	signal= np.pad(signal_data,(0,160-(signal_data.shape[0]%int(samp_rate*0.02))),'constant')
7	lens = signal.shape[0]
8	signals = np.split(signal, lens//int(samp_rate*0.02))
9	audio = [];audios = []
10	for signal_item in signals:
11	    if vad.is_speech(signal_item,samp_rate):
12	        audio.append(signal_item)
13	    elif len(audio)>0 and (not vad.is_speech(signal_item,samp_rate)):
14	        audios.append(np.concatenate(audio, 0))
15	        audio= []

代码行4 是读取音频文件1_5 .wav 的采样频率和音频数据， 代码行5 是构建一个激进模式为3 的声音分类对象vad ， 代码行6 是以帧长为20ms 来分帧， 对最后一帧长度不足160 的部分进行补0 ， 然后在代码行8 中对语音信号进行分割， 形成一个个长度为160 的数据帧。

代码11一15行是对分割后的数据帧进行判断， 如果是语音帧，则在变量audio 中进行累计， 如果不是语音帧且语音结束， 则将语音帧统一转换成一维数组audios 输出。

audios 的内容如下图所示。

从上图可以看出， 英文数字1 和5 的语音信号被成功切分出来， 分别保存到两个一维数组中。

2、python_speech_features模块

有效音频信号被切分出来后，如何辨别这些音频信号具有独特的特征呢？

这时就要用到python_speech_features模块，该模块提供了计算一个音频信号的梅尔频率倒谱系数MFCC（Mel Frequency Cepstral Coefficients）特征和一阶、二阶差分系数的方法。

MFCC特征向量描述了一帧语音的静态特征，一阶差分系数、二阶差分系数描述了帧之间的动态信息，三者的结合就比较完整地描述了音频信号的全部特征。

【案例2】先使用如下命令安装python_speech_features模块。

pip3 install python_speech_features

然后编写如下代码，实现语音特征的提取。

1	from python_speech_features import mfcc,delta
2	wav_feature = mfcc(audios[0],8000)
3	d_mfcc_feat = delta(wav_feature,1)
4	d_mfcc_feat2 = delta(wav_feature,2)
5	feature = np.concatenate([wav_feature.reshape(1,-1,13),d_mfcc_feat.reshape(1,-1,13),d_mfcc_feat2.reshape(1,-1,13)], 0)
6	if feature.shape[1]>64:
7	    feature = feature[:,:64,:]
8	else:
9	    feature = np.pad(feature,((0,0),(0,64-feature.shape[1]),(0,0)),'constant')
10	feature = feature.transpose((2,0,1))
11	feature = feature[np.newaxis,:]

代码行2计算案例1中切分出来的第一个语音信号audios[0]的MFCC特征值，代码行3-4分别计算这些语音帧的一阶、二阶差分系数。

代码行5将所有特征值转换成三维矩阵并合并，合并后的三维矩阵含有3个多行13列的二维矩阵。

代码行6-9对每个二维特征矩阵的行数（高度）进行截取或填充，不足64行的在后面填充0，以保证经处理后的特征矩阵feature是一个3通道64×13的矩阵。

代码行10将特征矩阵feature进行转置，把原来的矩阵形状（0,1,2）转变为（2,0,1），即三维数组中某一元素原来的索引坐标（x,y,z）调换为（z,x,y），变换后的矩阵则是一个13通道3×64的矩阵。

代码行11是把特征矩阵feature增加一个新的维度，由原来的三维变成四维，特征矩阵转换的目的是满足网络模型对输入数据体的要求。提取后的特征feature如图所示。

3、paddlepaddle框架

Paddlepaddle（飞桨）是百度公司提供的开源开放的一个产业级深度学习框架，有全面的官方支持的工业级应用模型，涵盖自然语言处理、计算机视觉、推荐引擎等多个领域，并开放多个领先的预训练模型。

飞桨同时支持稠密参数和稀疏参数场景的大规模深度学习并行训练，支持千亿规模参数、数百个节点的高效并行训练。

另外，飞桨拥有多端部署能力，支持服务器端、移动端等多种异构硬件设备的高速推理，预测性能有显著优势。目前PaddlePaddle已经实现了API的稳定和向后兼容，具有完善的中英双语使用文档。

飞桨的应用框架如图所示：

示意图的上半部分是从开发、训练到部署的全流程工具，下半部分是预训练模型、各领域的开发套件和模型库等模型资源。

飞桨除提供用于模型研发的基础框架外，还推出了一系列的工具组件，来支持深度学习模型从训练到部署的全流程。

由此可见，利用百度飞桨能节省编写大量底层代码的精力，用户只需关注模型的逻辑结构即可。

同时，深度学习工具简化了计算，降低了深度学习入门门槛，这对于学习者来说，无疑是个很大的福音。另外，利用飞桨具备灵活移植性的特点，可将代码部署到CPU/GPU/移动端上，选择具有分布式性能的深度学习工具会使模型训练更高效，省去了部署和适配环境的烦恼。

【案例3】搭建一个房价预测的神经网络模型。

1	import paddle.fluid as fluid
2	from paddle.fluid.dygraph import Linear
3	class Regressor(fluid.dygraph.Layer):
4	    def __init__(self):
5	        super().__init__()
6	        self.fc=Linear(input_dim=1,output_dim=1,act=None)
7	    def forward(self,inputs):
8	        x=self.fc(inputs)
9		    return x

代码行1导入飞桨的主包fluid，目前大部分的实用函数均在paddle.fluid包内。

代码行2从动态图的类库dygraph中导入全连接线性变换类Linear。

代码行3-9是定义一个线性回归网络Regressor，其中中间只有一个全连接层fc，输入维度为1（房屋面积），输出维度为1（房屋价格），因为模型只是一个线性回归模型，所以定义激活函数为None，通过前向计算函数来构建网络结构，实现前向计算过程，并返回预测结果，在本引例中是返回房价预测结果。

三、项目实战

3.1 提取音频的语音特征数据

我们事先录制了一段单声道、8k、16bit的数字语音audio.wav，为方便提取语音特征，减少代码冗余和提高代码的可移植性。

我们将上一节中的案例1和案例2的代码封装在类VioceFeature中，通过调用语音切分方法vad和特征提取方法get_mfccw来完成音频文件的特征数据提取任务，为后续进一步的语音识别做好数据准备工作。

新建文件task1.ipynb，根据任务目标，按照以下步骤和操作，完成任务一。

任务目标：

提取音频文件audio.wav的语音特征数据，按后续语音识别网络模型的输入数据格式要求，得到一个形状为(n,13,3,64)的特征数据矩阵，其中n指音频中包含的数字个数。

完成步骤：

（1）设计特征提取类VioceFeature

（2）提取语音特征数据

1、设计特征提取类VioceFeature

定义类VioceFeature，主要包含两个成员方法vad和get_mfcc，分别对应音频切分和特征数据提取功能，具体的代码见前面的案例1和案例2。

为方便模块的调用，需要在jupyter环境中将类VioceFeature另存为VioceFeature.py文件，操作方法如图所示。

2、提取语音特征数据

在文件task1.ipynb中调用模块VioceFeature，编写以下代码，得到满足网络模型输入格式的特征数据。

1	from VioceFeature import *
2	voicefeature=VioceFeature()
3	audios,samp_rate=voicefeature.vad('data\\audio.wav')
4	features = []
5	for audio in audios:
6	    feature = voicefeature.get_mfcc(audio, samp_rate)
7	    features.append(feature)
8	features = np.concatenate(features, 0).astype('float32')

代码行1导入VioceFeature模块中所有类，代码行2创建对象voicefeature，代码行3调用对象voicefeature的方法vad完成音频切分。

代码行4-8对切分出的音频数据集audios，采用MFCC算法进行特征提取，提取后的结果保存在矩阵变量features中。执行如下命令查看features的矩阵形状如图所示。

3.2 构建语音数字识别神经网络模型

前面已经提到，利用多层卷积神经网络不仅能进行图像分类，也可以完成语音识别。

因为我们可以根据任务一提取到的每个英文数字发音的特征数据，通过普通的二维卷积进行处理，将其分类到0-9十个类别上。

根据任务目标，按照以下步骤和操作，完成任务二。

任务目标：

设计一个多层卷积神经网络模型，对其进行训练并保存最优模型。

完成步骤：

（1）定义多层神经网络模型

（2）模型训练及保存最优训练模型

1、定义多层神经网络模型

该模型就是一个分类器，它的输入就是n×13×3×64的四维语音矩阵，它的输出是10维向量，即Y=(y0,y1,…,y9)，第i维是语音片段被分类为第i个数字的概率，如Y=(0,1,…,0)，则表示该语音片段对应的数字是1。

为简化网络模型，我们采用多层卷积神经网络CNN和全连接层来构架一个分类器，其网络结构如图所示。

在上图中，每两层卷积层为一个块，前一层负责提取特征，后一层负责下采样，经过6层卷积操作后，形成1×8×64单通道特征输出，再经过2层的全连接进行分类，最终得到识别结果。

模型的实现代码如下。

1	class AudioCNN(fluid.dygraph.Layer):
2	    def __init__(self):
3	        super().__init__()
4	        self.conv1 = Conv2D(num_channels=13,num_filters=16,filter_size=3,stride=1,padding=1)
5	        self.conv2 = Conv2D(16,16,(3,2),(1,2),(1,0))
6	        self.conv3 = Conv2D(16,32,3,1,1)
7	        self.conv4 = Conv2D(32,32,(3,2),(1,2),(1,0))
8	        self.conv5 = Conv2D(32,64,3,1,1)
9	        self.conv6 = Conv2D(64,64,(3,2),2)
10	        self.fc1 = Linear(input_dim=1*8*64,output_dim=128,act='relu')
11	        self.fc2 = Linear(128,10,act='softmax')
12	    # 定义前向网络
13	    def forward(self, inputs, labels=None):
14		    out = self.conv1(inputs)
15	        out = self.conv2(out)
16	        out = self.conv3(out)
17	        out = self.conv4(out)
18	        out = self.conv5(out)
19	        out = self.conv6(out)
20	        out = reshape(out, [-1,8*64])
21	        out = self.fc1(out)
22	        out = self.fc2(out)
23	        if labels is not None:
24	            loss = softmax_with_cross_entropy(out, labels)
25	            acc = accuracy(out, labels)
26	            return loss, acc
27	        else:
28			    return out

代码行4定义的二维卷积层的输入通道数与输入数据的通道格式一致（=13），采用16个卷积核、卷积大小即滤波器尺寸为3×3、步长为1、填充尺寸为1进行特征提取。

在代码行5中，紧接着利用尺寸为3×2的滤波器，按水平、垂直方向步长分别为1和2、无填充来实现下采样的效果。

代码6-9又完成两组特征提取和下采样操作，代码行10对主要对卷积后的特征数据进行降维，形成一个1×128的向量，最后在代码行11完成分类操作。

代码行13-28是定义网络的前向计算过程，其中代码行14-22采用初始化函数__init__中定义好的网络层依次对输入数据inputs进行前向处理，代码行23-28是返回处理后的结果，如果样本带有标签，则计算分类误差loss和分类精度acc，否则，直接返回分类结果out。

2、模型训练及保存最优训练模型

语音样本集采用Free-Spoken-Digit-Dataset语音集，该语句集一共有3000条数据，从百度官网：https://aistudio.baidu.com/aistudio/datasetdetail/23050下载。

模型的训练过程定义主要包括以下几个方面：

（1）以动态图dygraph 的guard函数指定运行训练的机器资源，表明在with作用域下的程序均执行在本机的CPU|GPU资源上，程序会以飞桨动态图的模式实时执行。

（2）创建定义好的模型AudioCNN实例，并将模型的状态设置为训练。

（3）加载训练数据和测试数据。

（4）设置训练迭代次数，启动模型迭代训练。在迭代过程中，可以观察到模型的训练误差和训练精度。

（5）最后保存训练好的模型。

模型训练的代码具体可参考百度官网https://aistudio.baidu.com/aistudio/projectdetail/797250，模型训练完成后，通过以下代码来保存模型，以备测试或校验的程序调用。

fluid.save_dygraph(optimizer.state_dict(), 'final_model')

然后就可以利用模型来测试数字语音的识别效果了。

3.3 利用训练好的模型来识别语音

通过前面的任务1已经获取了英文数字的语音特征，并在任务2中对构建的神经网络模型进行了训练，下面就利用保存的模型对语音特征数据完成分类工作，将分类结果进行合并，从而最终完成对语音的识别任务。根据任务目标，按照以下步骤和操作，完成任务3。

任务目标：

利用训练好的CNN模型，对语音特征数据进行分类识别，得到语音文件audio.wav的识别结果。

完成步骤：

（1）配置模型识别的机器资源

（2）加载模型参数给模型实例

（3）将提取的特征样本输入模型，得到识别结果

1、配置模型识别的机器资源

从前面的模型定义和训练来看，我们训练好最后的模型所花销的时间相对还是很短的，主要原因是我们所使用的AudioCNN卷积神经网络比较简单。

但现实生活中，我们可能会遇到更复杂的机器学习、深度学习任务，需要运算速度更高的硬件（GPU、TPU），甚至同时使用多个机器共同训练一个任务（多卡训练和多机训练）。

但本案例是在普通的电脑上训练和预测，所以通过以下语句进行模型运行的资源配置。

with fluid.dygraph.guard(place=fluid.CPUPlace()):

2、加载模型参数给模型实例

首先要构造一个模型实例model，然后将前面训练好的模型final_model参数加载到模型实例中。

加载完毕后，还需将模型的状态调整为校验状态eval，是因为模型在训练过程中要同时支持正向计算和反向传导梯度，此时的模型比较臃肿，而校验eval后的模型只需支持正向计算，此时模型的实现简单且性能较高。

对应的代码如下。

1	model = AudioCNN()
2	params_dict, _ = load_dygraph('data/final_model')
3	model.set_dict(params_dict)
4	model.eval()

代码行1是构建神经网络类AudioCNN的一个实例model，代码行2是加载目录data下训练好的模型final_model，代码行3给模型model加载参数，代码行4完成对模型的校验，模型只用于预测。

3、将提取的特征样本输入模型，得到识别结果

在任务一中我们提取出英文数字音频的语音特征features，下面就基于该特征值，利用训练好的模型进行语音识别，实现的代码如下。

1	features =to_variable(features)
2	out = model(features)
3	result = ' '.join([str(num) for num in np.argmax(out.numpy(),1).tolist()])
4	print('语音数字的识别结果是：',result)

代码行1将多维的矩阵转换成Paddle支持的张量Tensor类型，代码行2将特征数据features作为模型的输入来预测识别结果。

由于模型的输出out仍是一个张量类型，故在代码行3中对其进行numpy转换，变成一个二维数组，然后按行求各行中的最大值的下标，因为下标值与预测的数字值是一一对应的，故最后的拼接结果result实际就是识别的数字，识别的结果如图所示。

可以看到，CNN模型准确识别出语音文件audio.wav的内容，说明卷积神经网络的确可用于语音的识别，能获得较好的识别效果。

更多精彩内容请持续关注本站！