人工智能Python语音识别练习_python语音识别训练

一、语音识别允许机器捕捉我们所说的单词，短语和句子其次，自然语言处理使机器能够理解我们所说的话第三，语音合成允许机器说话。
本章重点讲述语音识别，理解人类说话的过程。 请记住，在麦克风的帮助下捕捉语音信号，然后系统才能理解它。
二、构建语音识别器语音识别或自动语音识别(ASR)是AI机器人等AI项目的关注焦点。 没有ASR，就不可能想象一个认知机器人与人进行交互。 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。 语音识别技术的困难可以广泛地表征为如下所讨论的许多维度 -

三、词汇大小 - 词汇大小影响开发ASR的难易程度。考虑以下词汇量以便更好地理解。
例如，在一个语音菜单系统中，一个小词汇由2到100个单词组成例如，在数据库检索任务中，中等大小的词汇包含几个100到1000个单词一个大的词汇由几万个单词组成，如在一般的听写任务中。
信道特性 - 信道质量也是一个重要的维度。 例如，人类语音包含全频率范围的高带宽，而电话语音包含频率范围有限的低带宽。 请注意，后者更难。说话模式 - 轻松开发ASR还取决于说话模式，即语音是处于孤立词模式还是连接词模式，还是处于连续语音模式。 请注意，连续说话很难辨认。
口语风格 - 阅读说话可以采用正式风格，也可以采用自发风格和对话风格。 后者更难以识别。
扬声器依赖性 - 语音可以依赖扬声器，扬声器自适应或扬声器独立。 独立发言人是最难建立的。噪音类型 - 噪音是开发ASR时需要考虑的另一个因素。 信噪比可以在各种范围内，这取决于观察较少的声学环境与较多的背景噪声 -
如果信噪比大于30dB，则认为是高范围如果信噪比在30dB到10db之间，则认为是中等信噪比如果信噪比小于10dB，则认为是低范围
麦克风特性 - 麦克风的质量可能很好，平均水平或低于平均水平。 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，研究人员在语音的各个方面做了很多工作，例如理解语音信号，说话人以及识别口音。
所以，需要按照以下步骤构建语音识别器 -

记录当必须从文件中读取音频信号时，首先使用麦克风录制。
采样用麦克风录音时，信号以数字形式存储。 但为了解决这个问题，机器需要使用离散数字形式。 因此，我们应该以某个频率进行采样，并将信号转换为离散数字形式。 选择高频采样意味着当人类听到信号时，他们会感觉它是一个连续的音频信号。
示例
以下示例显示了使用Python存储在文件中的逐步分析音频信号的方法。 这个音频信号的频率是44,100HZ。
下面导入必要的软件包 -
import numpy as np
import matplotlib.pyplot as plt
from scipy.io import wavfile
Python
现在，读取存储的音频文件。 它会返回两个值:采样频率和音频信号。 提供存储音频文件的路径，如下所示 -
f