【class17】人工智能初步-----语音识别（3）_语音识别csdn

【class16】

上节课，我们学习了：
wav文件的相关概念知识，并通过代码从视频中获取了音频以及设置了参数。
学习新的课程之前，我们先来复习一下吧！

代码复习

将上节课学习的代码分为两个部分：
part1. 获取音频文件
part2. 音频文件参数设置

wav文件是非压缩音频文件 ，  pydub模块是用于音频处理的Python模块， moviepy是用于视频处理的Python模块，D选项错误。

本节课，我们将学习这些知识点：
1. 语音端点检测         2. 切分音频               3. 保存语音片段文件

wav文件由文件头和数据体组成，数据体也就是声音波形经过采样所得的一个个数据点了。读取wav文件绘制波形图可以看到：一段音频包括静音段和语音段。

语音段是wav文件中的有效信息，我们需要的文字信息就储存在语音段。
静音段在wav文件中对应的是说话的间隙部分，不包含文字信息。

将不包含文字信息的静音段切除， 以降低静音段对后续处理所造成的干扰。这个切除静音的操作被称为语音端点检测（VAD）， VAD操作之后一段完整的音频就被切分为若干个只有语音段的音频文件。

语音端点检测

定义

语音端点检测(Voice Activity Detection,VAD)又称语音活动检测,语音边界检测。   目的是从声音信号流里识别和消除静音段。

语音端点检测从字义上理解就是对语音的端点进行检测。
这里的端点实际上就是语音段和静音段的分界点，语音端点检测后就可以去除音频中的静音段，只保留语音段的部分。

VAD的目的

由于字幕文件包括时间信息，声音和字幕应该同步出现。如果两句话有较长的静音段间隙，不做VAD的话，就会出现语音和字幕不匹配的情况。

切分语音不难，最简单的方法就是按照时间平均切分。 问题在于怎么能不把一句话切成两半，或者一个词切成两半。看看图中因一句话切成两半而引发的笑话吧！语音端点检测就可以解决这个问题。

音频这个东西，看波形就可以看出来有没有声音，哪部分是语音段，哪部分是静音段一目了然。语音段是一段持续高幅度的信号，而静音段幅度很低。

我们可以通过设定一个数值（声音强度）当作基准， 当一个输入的数值序列中出现持续低于基准数值的声音时：
比如，连续2秒出现幅度低于0.1的数时，我们就认定这段音频属于静音段。

学习完语音端点检测的相关概念和原理之后：       我们完成“语音端点检测”的第一步——切分音频去除静音段。

首先需要导入pydub模块。
我们在导入pydub模块做音频切分时，使用的是pydub.silence模块里面的split_on_silence，可以理解为从pydub模块中的silence子模块下中导入split_on_silence类。

完成模块的导入后，我们利用语音端点检测的原理：                  对split_on_silence类，设置适当的参数切分音频。
接下来让我们一起尝试一下。

代码结构

将切分音频分为两部分：
part1. 导入模块
part2. 切分音频

分析代码：

切分音频

代码的作用

第11-17行，导入模块，设置参数，切分音频。
第12行，从pydub.silence导入split_on_silence；
16行，设置参数sound,min_silence_len和silence_thresh的数值；
第17行，使用split_on_silence()切分音频，并传入参数sound,min_silence_len,silence_thresh。

导入split_on_silence类

需要使用的是pydub.silence模块里面的split_on_silence类。使用from...import从pydub.silence导入split_on_silence类

split_on_silence()

导入模块后，通过split_on_silence()切分音频。

sound

sound为必选参数，即待切分的音频文件。

min_silence_len

min_silence_len为可选参数，它表示的是静音段的最小长度，默认值:1000（毫秒）。设置min_silence_len = 500，表示静音部分长度值任何比这大的值将被视为静音段。参数500不是固定值，根据不同音频可以进行调参。

silence_thresh

silence_thresh为可选参数，它表示的是需要进行识别的静音段的最小声音强度，默认值:-16dbfs。（任何小于该值的声音将直接被视为静音，不需要进行识别）设置silence_thresh = -50，表示任何比这安静（比如-55）的值将被视为静音。参数-50不是固定值，根据不同音频可以进行调参。

返回的对象

将切分完获得的音频片段对象赋值给变量pieces。

完成切分音频处理后，获得了音频片段对象。输出查看切分完的音频片段对象变量pieces，结果为保存了多个音频片段对象的列表。

得到了切分好的无静音段音频对象之后：
我们完成“语音端点检测”的第二步——导出保存音频片段文件。

接下来，通过for循环导出音频片段，遍历pieces列表，将获得的多个音频片段对象保存为wav文件。

代码结构

将导出音频文件通过for循环实现：
音频片段按序号保存为wav文件，文件保存至/Users/yequ/路径下。

导出音频片段

代码的作用

第10-16行，通过for循环将切分完的多个音频片段对象保存为wav文件。

# 变量count用于计数，赋初始值为0

count = 0

# 通过for循环将切分完的音频片段对象保存为wav文件

for i in pieces:

    # 文件保存至路径变量path，文件名从音乐片段0.wav-音乐片段11.wav

    path = "/Users/yequ/音频片段"+str(count)+".wav"

    # 遍历pieces，将音频片段对象导出为wav文件，文件路径为path

    i.export(path,format = "wav")

    # 计数器加1

count += 1

分析代码：

计数

定义变量count用于计数，赋初始值为0。

遍历

使用for循环遍历pieces音乐音频对象列表，i为列表中的每个元素。

文件路径

文件保存至路径变量path，路径为/Users/yequ/下的音频文件，文件名从音乐片段0.wav-音乐片段11.wav音乐。

待导出音频片段

变量i为pieces列表中每个元素，即待导出音频片段对象。

export()函数

使用export()函数将音频对象导出为音频文件。     用法：export(a,b)，a为路径，b为文件格式。

音频格式

通过参数format设置保存的音频文件格式为wav文件。

完成切分音频和导出音频片段这两步操作，我们获得了多个无静音段的音频文件。打开文件夹可以看到命名为音频片段0.wav-音频片段11.wav的12个wav文件。

代码整理

将今日学习的代码分为两个部分：
part1. 切分音频
part2. 导出音频

本节课，我们对音频文件进行了语音端点检测并切分和保存了音频。下节课，我们将学习语音识别系统模型，并调用创建好的AipSpeech客户端实现语音转文字功能。