如何使用python实现语音文件的特征提取

小编给大家分享一下如何使用python实现语音文件的特征提取，相信大部分人都还不怎么了解，因此分享这篇文章给大家参考一下，希望大家阅读完这篇文章后大有收获，下面让我们一起去了解一下吧！

概述

语音识别是当前人工智能的比较热门的方向，技术也比较成熟，各大公司也相继推出了各自的语音助手机器人，如百度的小度机器人、阿里的天猫精灵等。语音识别算法当前主要是由RNN、LSTM、DNN-HMM等机器学习和深度学习技术做支撑。但训练这些模型的第一步就是将音频文件数据化，提取当中的语音特征。

MP3文件转化为WAV文件

录制音频文件的软件大多数都是以mp3格式输出的，但mp3格式文件对语音的压缩比例较重，因此首先利用ffmpeg将转化为wav原始文件有利于语音特征的提取。其转化代码如下：

from pydub import AudioSegment import pydub def MP32WAV(mp3_path,wav_path):  """  这是MP3文件转化成WAV文件的函数  :param mp3_path: MP3文件的地址  :param wav_path: WAV文件的地址  """  pydub.AudioSegment.converter = "D:\\ffmpeg\\bin\\ffmpeg.exe"  MP3_File = AudioSegment.from_mp3(file=mp3_path)  MP3_File.export(wav_path,format="wav")

读取WAV语音文件，对语音进行采样

利用wave库对语音文件进行采样。

代码如下：

import wave import json def Read_WAV(wav_path):  """  这是读取wav文件的函数，音频数据是单通道的。返回json  :param wav_path: WAV文件的地址  """  wav_file = wave.open(wav_path,'r')  numchannel = wav_file.getnchannels()   # 声道数  samplewidth = wav_file.getsampwidth()  # 量化位数  framerate = wav_file.getframerate()  # 采样频率  numframes = wav_file.getnframes()   # 采样点数  print("channel", numchannel)  print("sample_width", samplewidth)  print("framerate", framerate)  print("numframes", numframes)  Wav_Data = wav_file.readframes(numframes)  Wav_Data = np.fromstring(Wav_Data,dtype=np.int16)  Wav_Data = Wav_Data*1.0/(max(abs(Wav_Data)))  #对数据进行归一化  # 生成音频数据,ndarray不能进行json化，必须转化为list，生成JSON  dict = {"channel":numchannel,    "samplewidth":samplewidth,    "framerate":framerate,    "numframes":numframes,    "WaveData":list(Wav_Data)}  return json.dumps(dict)

绘制声波折线图与频谱图

代码如下：

from matplotlib import pyplot as plt def DrawSpectrum(wav_data,framerate):  """  这是画音频的频谱函数  :param wav_data: 音频数据  :param framerate: 采样频率  """  Time = np.linspace(0,len(wav_data)/framerate*1.0,num=len(wav_data))  plt.figure(1)  plt.plot(Time,wav_data)  plt.grid(True)  plt.show()  plt.figure(2)  Pxx, freqs, bins, im = plt.specgram(wav_data,NFFT=1024,Fs = 16000,noverlap=900)  plt.show()  print(Pxx)  print(freqs)  print(bins)  print(im)

首先利用百度AI开发平台的语音合API生成的MP3文件进行上述过程的结果。

声波折线图

频谱图

全部代码

#!/usr/bin/python3 # -*- coding: utf-8 -*- # @Time : 2018/7/5 13:11 # @Author : DaiPuwei # @FileName: VoiceExtract.py # @Software: PyCharm # @E-mail ：771830171@qq.com # @Blog ：https://blog.csdn.net/qq_30091945 import numpy as np from pydub import AudioSegment import pydub import os import wave import json from matplotlib import pyplot as plt def MP32WAV(mp3_path,wav_path):  """  这是MP3文件转化成WAV文件的函数  :param mp3_path: MP3文件的地址  :param wav_path: WAV文件的地址  """  pydub.AudioSegment.converter = "D:\\ffmpeg\\bin\\ffmpeg.exe"   #说明ffmpeg的地址  MP3_File = AudioSegment.from_mp3(file=mp3_path)  MP3_File.export(wav_path,format="wav") def Read_WAV(wav_path):  """  这是读取wav文件的函数，音频数据是单通道的。返回json  :param wav_path: WAV文件的地址  """  wav_file = wave.open(wav_path,'r')  numchannel = wav_file.getnchannels()   # 声道数  samplewidth = wav_file.getsampwidth()  # 量化位数  framerate = wav_file.getframerate()  # 采样频率  numframes = wav_file.getnframes()   # 采样点数  print("channel", numchannel)  print("sample_width", samplewidth)  print("framerate", framerate)  print("numframes", numframes)  Wav_Data = wav_file.readframes(numframes)  Wav_Data = np.fromstring(Wav_Data,dtype=np.int16)  Wav_Data = Wav_Data*1.0/(max(abs(Wav_Data)))  #对数据进行归一化  # 生成音频数据,ndarray不能进行json化，必须转化为list，生成JSON  dict = {"channel":numchannel,    "samplewidth":samplewidth,    "framerate":framerate,    "numframes":numframes,    "WaveData":list(Wav_Data)}  return json.dumps(dict) def DrawSpectrum(wav_data,framerate):  """  这是画音频的频谱函数  :param wav_data: 音频数据  :param framerate: 采样频率  """  Time = np.linspace(0,len(wav_data)/framerate*1.0,num=len(wav_data))  plt.figure(1)  plt.plot(Time,wav_data)  plt.grid(True)  plt.show()  plt.figure(2)  Pxx, freqs, bins, im = plt.specgram(wav_data,NFFT=1024,Fs = 16000,noverlap=900)  plt.show()  print(Pxx)  print(freqs)  print(bins)  print(im) def run_main():  """   这是主函数  """  # MP3文件和WAV文件的地址  path2 = './MP3_File'  path3 = "./WAV_File"  paths = os.listdir(path2)  mp3_paths = []  # 获取mp3文件的相对地址  for mp3_path in paths:   mp3_paths.append(path2+"/"+mp3_path)  print(mp3_paths)  # 得到MP3文件对应的WAV文件的相对地址  wav_paths = []  for mp3_path in mp3_paths:   wav_path = path3+"/"+mp3_path[1:].split('.')[0].split('/')[-1]+'.wav'   wav_paths.append(wav_path)  print(wav_paths)  # 将MP3文件转化成WAV文件  for(mp3_path,wav_path) in zip(mp3_paths,wav_paths):   MP32WAV(mp3_path,wav_path)  for wav_path in wav_paths:   Read_WAV(wav_path)  # 开始对音频文件进行数据化  for wav_path in wav_paths:   wav_json = Read_WAV(wav_path)   print(wav_json)   wav = json.loads(wav_json)   wav_data = np.array(wav['WaveData'])   framerate = int(wav['framerate'])   DrawSpectrum(wav_data,framerate) if __name__ == '__main__':  run_main()

以上是“如何使用python实现语音文件的特征提取”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！