音频处理问题难？快使用Tensorflow构建一个语音识别模型

【.com快译】本文我们将通过一个使用Tensorflow对一些声音剪辑进行分类的音频音识例子，帮助你了解足够的处理基础知识，从而能够构建自己的问题语音识别模型。另外，难快你也可以通过进一步的使用学习，将这些概念应用到更大、构建个语更复杂的别模音频文件中。

本案例的音频音识完整代码可以在​​GitHub​​上获取。

​​

获取数据

数据收集是处理数据科学中的难题之一。虽然有很多可用的问题数据，但并不是难快所有的数据都容易用于机器学习问题。因此必须确保数据是使用干净的、有标签的构建个语和完整的。

为了实现本次案例，别模我们将使用Google发布的音频音识一些音频文件，可以在​​Github​​上获取。

首先，我们将创建一个新的云服务器提供商Conducto管道。在这里，您可以构建，训练和测试模型，并与其他感兴趣的人共享链接：

###

# Main Pipeline

###

def main() -> co.Serial:

path = "/conducto/data/pipeline"

root = co.Serial(image = get_image())

# Get data from keras for testing and training

root["Get Data"] = co.Exec(run_whole_thing, f"{ path}/raw")

return root

然后，开始编写 run_whole_thing 功能：

def run_whole_thing(out_dir):

os.makedirs(out_dir, exist_ok=True)

# Set seed for experiment reproducibility

seed = 55

tf.random.set_seed(seed)

np.random.seed(seed)

data_dir = pathlib.Path("data/mini_speech_commands")

接下来，设置目录以保存音频文件：

if not data_dir.exists():

# Get the files from external source and put them in an accessible directory

tf.keras.utils.get_file(

mini_speech_commands.zip,

origin="http://storage.googleapis.com/download.tensorflow.org/data/mini_speech_commands.zip",

extract=True)

预处理数据

现在将数据保存在正确的目录中，可以将其拆分为训练、测试和验证数据集。

首先，我们需要编写一些函数来帮助预处理数据，以使其可以在我们的模型中起作用。

我们需要算法能够理解的数据格式。我们将使用卷积神经网络，所以数据需要转换成图像。

第一个函数将把二进制音频文件转换成一个张量：

# Convert the binary audio file to a tensor

def decode_audio(audio_binary):

audio, _ = tf.audio.decode_wav(audio_binary)

return tf.squeeze(audio, axis=-1)

由于我们有一个具有原始数据的张量，所以我们需要得到匹配它们的标签。这就是下面的函数通过从文件路径获取音频文件的标签功能：

# Get the label (yes, no, up, down, etc) for an audio file.

def get_label(file_path):

parts = tf.strings.split(file_path, os.path.sep)

return parts[-2]

接下来，我们需要将音频文件与正确的标签相关联。执行此操作并返回一个可与 Tensorflow配合使用的元组：

# Create a tuple that has the labeled audio files

def get_waveform_and_label(file_path):

label = get_label(file_path)

audio_binary = tf.io.read_file(file_path)

waveform = decode_audio(audio_binary)

return waveform, label

前面我们简要提到了使用卷积神经网络(CNN)算法。这是我们处理语音识别模型的亿华云方法之一。通常CNN在图像数据上工作得很好，有助于减少预处理时间。

我们要利用这一点，把音频文件转换成频谱图。频谱图是频率频谱的图像。如果查看一个音频文件，你会发现它只是频率数据。因此，我们要写一个将音频数据转换成图像的函数：

# Convert audio files to images

def get_spectrogram(waveform):

# Padding for files with less than 16000 samples

zero_padding = tf.zeros([16000] - tf.shape(waveform), dtype=tf.float32)

# Concatenate audio with padding so that all audio clips will be of the same length

waveform = tf.cast(waveform, tf.float32)

equal_length = tf.concat([waveform, zero_padding], 0)

spectrogram = tf.signal.stft(

equal_length, frame_length=255, frame_step=128)

spectrogram = tf.abs(spectrogram)

return spectrogram

现在我们已经将数据格式化为图像，我们需要将正确的标签应用于这些图像。这与我们制作原始音频文件的做法类似：

# Label the images created from the audio files and return a tuple

def get_spectrogram_and_label_id(audio, label):

spectrogram = get_spectrogram(audio)

spectrogram = tf.expand_dims(spectrogram, -1)

label_id = tf.argmax(label == commands)

return spectrogram, label_id

我们需要的最后一个 helper 函数将处理传递给它的任何音频文件集的所有上述操作：

# Preprocess any audio files

def preprocess_dataset(files, autotune, commands):

# Creates the dataset

files_ds = tf.data.Dataset.from_tensor_slices(files)

# Matches audio files with correct labels

output_ds = files_ds.map(get_waveform_and_label,

num_parallel_calls=autotune)

# Matches audio file images to the correct labels

output_dsoutput_dsoutput_ds = output_ds.map(

get_spectrogram_and_label_id, num_parallel_calls=autotune)

return output_ds

当已经有了所有这些辅助函数，我们就可以分割数据了。

将数据拆分为数据集

将音频文件转换为图像有助于使用CNN更容易处理数据，这就是我们编写所有这些帮助函数的原因。我们将做一些事情来简化数据的分割。

首先，我们将获得所有音频文件的潜在命令列表，我们将在代码的其他地方使用这些命令：

# Get all of the commands for the audio files

commands = np.array(tf.io.gfile.listdir(str(data_dir)))

commandscommandscommands = commands[commands != README.md]

然后我们将得到数据目录中所有文件的网站模板列表，并对其进行混洗，以便为每个需要的数据集分配随机值：

# Get a list of all the files in the directory

filenames = tf.io.gfile.glob(str(data_dir) + /*/*)

# Shuffle the file names so that random bunches can be used as the training, testing, and validation sets

filenames = tf.random.shuffle(filenames)

# Create the list of files for training data

train_files = filenames[:6400]

# Create the list of files for validation data

validation_files = filenames[6400: 6400 + 800]

# Create the list of files for test data

test_files = filenames[-800:]

现在，我们已经清晰地将培训、验证和测试文件分开，这样我们就可以继续对这些文件进行预处理，使它们为构建和测试模型做好准备。这里使用autotune来在运行时动态调整参数的值：

autotune = tf.data.AUTOTUNE

第一个示例只是为了展示预处理的工作原理，它给了一些我们需要的spectrogram_ds值：

# Get the converted audio files for training the model

files_ds = tf.data.Dataset.from_tensor_slices(train_files)

waveform_ds = files_ds.map(

get_waveform_and_label, num_parallel_calls=autotune)

spectrogram_ds = waveform_ds.map(

get_spectrogram_and_label_id, num_parallel_calls=autotune)

既然已经了解了预处理的步骤过程，我们可以继续使用helper函数来处理所有数据集：

# Preprocess the training, test, and validation datasets

train_ds = preprocess_dataset(train_files, autotune, commands)

validation_ds = preprocess_dataset(

validation_files, autotune, commands)

test_ds = preprocess_dataset(test_files, autotune, commands)

我们要设置一些训练示例，这些训练示例在每个时期的迭代中运行，因此我们将设置批处理大小：

# Batch datasets for training and validation

batch_size = 64

train_dstrain_dstrain_ds = train_ds.batch(batch_size)

validation_dsvalidation_dsvalidation_ds = validation_ds.batch(batch_size)

最后，我们可以利用缓存来减少训练模型时的延迟：

# Reduce latency while training

train_dstrain_dstrain_ds = train_ds.cache().prefetch(autotune)

validation_dsvalidation_dsvalidation_ds = validation_ds.cache().prefetch(autotune)

最终，我们的数据集采用了可以训练模型的形式。

建立模型

由于数据集已明确定义，所以我们可以继续构建模型。我们将使用CNN创建模型，因此我们需要获取数据的形状以获取适用于我们图层的正确形状，然后我们继续按顺序构建模型：

# Build model

for spectrogram, _ in spectrogram_ds.take(1):

input_shape = spectrogram.shape

num_labels = len(commands)

norm_layer = preprocessing.Normalization()

norm_layer.adapt(spectrogram_ds.map(lambda x, _: x))

model = models.Sequential([

layers.Input(shape=input_shape),

preprocessing.Resizing(32, 32),

norm_layer,

layers.Conv2D(32, 3, activation=relu),

layers.Conv2D(64, 3, activation=relu),

layers.MaxPooling2D(),

layers.Dropout(0.25),

layers.Flatten(),

layers.Dense(128, activation=relu),

layers.Dropout(0.5),

layers.Dense(num_labels),

])

model.summary()

我们在模型上做了一些配置，以便给我们最好的准确性：

# Configure built model with losses and metrics

model.compile(

optimizer=tf.keras.optimizers.Adam(),

loss=tf.keras.losses.SparseCategoricalCrossentropy(

from_logits=True),

metrics=[accuracy],

)

模型建立好了，现在剩下的就是训练它了。

训练模型

在所有的工作都对数据进行预处理和建立模型之后，训练就相对简单了。我们确定要使用训练和验证数据集运行多少个周期：

# Finally train the model and return info about each epoch

EPOCHS = 10

model.fit(

train_ds,

validation_data=validation_ds,

epochs=EPOCHS,

callbacks=tf.keras.callbacks.EarlyStopping(verbose=1, patience=2),

)

这样这个模型就已经训练好了，现在需要对它进行测试。

测试模型

现在我们有了一个准确率约为83%的模型，是时候测试它在新数据上的表现了。所以我们使用测试数据集并将音频文件从标签中分离出来：

# Test the model

test_audio = []

test_labels = []

for audio, label in test_ds:

test_audio.append(audio.numpy())

test_labels.append(label.numpy())

test_audio = np.array(test_audio)

test_labels = np.array(test_labels)

然后我们获取音频数据并在我们的模型中使用它，看看它是否预测了正确的标签：

# See how accurate the model is when making predictions on the test dataset

y_pred = np.argmax(model.predict(test_audio), axis=1)

y_true = test_labels

test_acc = sum(y_pred == y_true) / len(y_true)

print(fTest set accuracy: { test_acc:.0%})

完成管道

只需要编写一小段代码就可以完成您的管道并使其与任何人共享。这定义了将在Conducto管道中使用的图像，并处理文件执行:

###

# Pipeline Helper functions

###

def get_image():

return co.Image(

"python:3.8-slim",

copy_dir=".",

reqs_py=["conducto", "tensorflow", "keras"],

)

if __name__ == "__main__":

co.main(default=main)

现在，你可以在终端中运行python pipeline.py——它应该会启动一个到新Conducto管道的链接。

结论

这是解决音频处理问题的方法之一，但是根据要分析的数据，它可能要复杂得多。如果将其构建在管道中，可以很轻松地与同事共享并在遇到错误时获得帮助或反馈。

【译稿，合作站点转载请注明原文译者和出处为.com】

很赞哦!（498）