目录

实验目的：

实验原理：

实验准备：

实验步骤与内容：

参考代码：

语音是声音的一种，是由人的发声器官发出，具有一定语法和意义的声音。大脑对发音器官发出运动神经指令，控制发音器官各种肌肉运动使空气振动，空气由肺进入喉部，经过声带激励，进入声道，最后通过嘴唇辐射形成语音。

目前语音领域的任务主要有语音识别（Speech Recognition）、说话人识别

（Speaker Recognition）、语种识别、语音合成等。语音识别是当前人工智能比较热门的方向，技术比较成熟。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、阿里的天猫精灵等。

语音的相关算法主要依靠机器学习和深度学习技术做支撑。但在训练模型之前，需要先将音频文件数据化，对音频进行预处理、转换到频率域得到频谱图， 再提取其中的语音特征。流程如图 6.1 所示。其中，最常用到的语音特征是梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient, MFCC）。

 图 6.1 语音信号处理流程图

1.预处理

根据需要预先对音频信号进行一些处理，比如为了降低数据量将音频由多声道转为单声道、进行下采样等，还有预加重、标准化、去除静音等。

预加重处理是将语音信号通过一个高通滤波器：

式中 μ 的值介于 0.9-1.0 之间，我们通常取 0.96。预加重的目的是提升高频部分，使信号的频谱变得平坦，移除频谱倾斜，来补偿语音信号受到发音系统所抑制的高频部分。同时，也是为了消除发生过程中声带和嘴唇的效应。（因为口唇辐射可以等效为一个一阶零点模型）

2.频谱图

因为语音信号为短时平稳信号，所以需要进行分帧处理，以便把每一帧当成平稳信号处理。先将 N 个采样点集合成一个观测单位，称为帧。通常情况下 N 的值为 256 或 512，涵盖的时间约为 20~30ms 左右。为了避免相邻两帧的变化过大，因此会让两相邻帧之间有一段重叠区域，此重叠区域包含了 M 个取样点， 通常 M 的值约为 N 的 1/2 或 1/3。通常语音识别所采用语音信号的采样频率为8KHz 或 16KHz，以 8KHz 来说，若帧长度为 256 个采样点，则对应的时间长度是 256/8000×1000=32ms。

语音在长范围内是不停变动的，没有固定的特性无法做处理，所以将每一帧代入窗函数，窗外的值设定为 0，其目的是消除各个帧两端可能会造成的信号不连续性。常用的窗函数有方窗、汉明窗和汉宁窗等，根据窗函数的频域特性，常采用汉明窗。将每一帧乘以汉明窗，以增加帧左端和右端的连续性。

再对每一帧信号进行快速傅里叶变换，即可得到整条语音的频谱图如图 6.2所示。

 图 6.2 频谱图

3.MFCC

MFCC 依据以下两点对人耳听觉系统建模：1、声音的真实频率和人耳对其感知的高低不是成正比的，当 f1000Hz 时，呈对数分布。2、当两个频率接近的音调同时发出时，只能听到一个。

式中 f 为频率，单位为 Hz。

图 6.3 Mel 频率和线性频率的关系

图 6.4 计算 MFCC 的流程图

MFCC 的计算基本步骤如图 6.4 所示。在得到频谱图之后，需要将能量谱通过一组 Mel 尺度的三角形滤波器组。定义一个有 M 个滤波器的滤波器组（滤波器的个数和临界带的个数相近），采用的滤波器为三角滤波器，中心频率为 f(m), m=1,2,...,M。M 通常取 22-26。各 f(m)之间的间隔随着 m 值的减小而缩小，随着m 值的增大而增宽，如图 6.5 所示。

图 6.5 Mel 三角形滤波器组

三角滤波器的频率响应定义

其中：

三角带通滤波器的主要目的是对频谱进行平滑化，并消除谐波的作用。此外还可以减少运算量。在 MATLAB 的 voicebox 工具箱中有 melbankm 函数可用于计算 Mel 滤波器组。

计算每个滤波器组输出的对数能量为：

 经离散余弦变换（DCT）得到 MFCC 系数：

将上述的对数能量带入离散余弦变换，求出 L 阶的Mel-scale Cepstrum 参数。L 阶指 MFCC 系数阶数，通常取 12-16。这里 M 是三角滤波器个数。

1.pydub库

Pydub 提供了简洁的高层接口，极大的扩展了python 处理音频文件的能力， pydub 可能不是最强大的 Python 音频处理库，但绝对是 Python 最简洁易用的音频库，其功能足以满足大多数情况下的音频处理需求，但是 Pydub 库高度依赖ffmpeg，需要在使用前安装 ffmpeg。

Pydub 的核心功能大部分都在 pydub/audio_segment.py 中。使用 pydub，可以实现分割音频片段、改变音量大小、连接音频片段、添加淡入淡出效果等功能。

2.python_speech_feature 库

Python_speech_feature 是一个用于音频特征提取的 python 工具包，擅长音频信号处理。包含了一些常用的频谱特征的提取方法，比如常见的Mel Spectrogram、MFCC、CQT、chroma 等。

1.安装工具包

常用的语音工具包有 pydub、python_speech_feature 等，使用 pip install 安装即可。

图 6.6 ffmpeg 安装成功

2.音频预处理

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，因此一般需要先将 mp3 转化为 wav 文件。首先，随意选取并下载一条 mp3 格式的音乐音频***.mp3，并将其转换成采样率为 16kHz wav 格式***.wav；然后，读取音频文件，如果音频不足 5s,重复该音频满足时长大于 5 秒，然后随机选取其中的 5s 片段，重复 3 次，再对首尾添加 3s 的淡入淡出，得到新的音频文件***_new.wav。（pydub 库）

所用接口：from_mp3()、from_wav()、set_frame_rate()、fade_in()、fade_out()、export()

3.特征提取

计算得到新音频文件的频谱图、fbank 和梅尔倒谱系数，并将新音频文件的时域波形图、logfbank 和梅尔倒谱系数绘制在一张图中，如图 6.7 所示。(python_speech_feature 库提取特征)，如果输入音频是多通道，则只对第一个通道进行处理和展示。(logfbank 和 mfcc 特征均采用汉明窗作为窗函数，并将原始信号、logfbank 和梅尔倒谱系数在一行展示。)

图 6.7  结果样例

音频读取：scipy.io.read() 特征提取：fbank()、mfcc()

绘图：matplotlib.pyplot.figure() 、 add_subplot(), matplotlib.pyplot.plot(), matplotlib.pyplot.pcolormesh()等接口