python 语音识别

在python中训练一个语音识别系统主要需要以下几个步骤：

• - 语料库准备
• - 数据预处理
• - 特征提取
• - 训练模型

第一部分：语料库的准备

什么是语料库？语料库长什么样？

        语料库由两部分组成，第一部分是语音，第二部分是玉莹的标注，通常为字符形式。本次项目中，我们选用的语料库是THCHS-30，这个语料库是在安静的办公室环境下，由录音人员用普通话朗读新闻的语音作为数据，总时长超过30个小时。我们利用语料库，构造转换字典，将中文转换为数字进行模型训练，同时将模型的识别结果转换为中文。

语料库部分数据：

 第一部分，采用了wav格式的语音，

第二部分，标注第一行是语音的中文，

第二行是拼音，第三行是音节。

有了语料库即可进行接下来的步骤。

第二部分：数据预处理。

预处理部分分为五部分:j降噪，去静默，分帧，傅里叶，特征对齐。

        在语料库的数据中，存在着背景噪声，所以我们对背景噪声进行了抑制，以获得相对干净的语音，同时，我们去除了语音的沉默部分，避免在训练过程中造成干扰。使用神经网络训练模型时，我们对数据进行了归一化处理，加快模型的收敛，减少资源的消耗。同时，为了固定神经网络的输入层，我们以最长音频的特征帧数为模板，帧数不足则以无信息的0填充进行特征对齐。

第三部分：特征提取。

        首先是预加重。预加重会在一定的程度上增加语音的高频分辨率，突出高频的共振峰。在后期的模型训练中，会加速模型对数据特征值的识别。其次是分帧，模型的训练过程中，需要一个固定的输入层进行训练。所以我们需要将连续语音分为不同的帧作为特征值输入。但是，划分语音后会导致频域能量泄露，为了减少分帧所带来的影响，我们在第三部分使用了窗口函数对划分后的帧进行平滑处理，保证后期的傅里叶变换顺利进行。傅里叶变换可以将能量由时域转换至频域上，从而解决一些难以在时域上解决的问题。最后我们根据人耳听觉范围对傅里叶变换后的频谱图进行Mel滤波，再通过离散余弦变换去除滤波器组系数间的高度相关性，以获得Mel频率倒谱系数MFCC。

第四部分：训练模型。

        在循环神经网络RNN中，我们采用了更加轻便的GRU网络作为模型训练。较于LSTM而言，GRU仅采用了合并门和更新门，参数较少更容易收敛，更加节约资源。我们使用前向GRU模型获取上文信息，同时使用后向GRU模型获取下文信息，将语音的上下文信息拼接,得到语句的完整信息，得到的结果会较为准确。在损失函数上我们选择了CTC 连接时序分类，CTC可以省略标签和特征对齐的步骤，大大减少人工工作量。

以上就是语音识别的大致步骤。