python的webrtc库实现语音端点检测

语音端点检测最早应用于电话传输和检测系统当中,用于通信信道的时间分配,提高传输线路的利用效率.端点检测属于语音处理系统的前端操作,在语音检测领域意义重大.

但是目前的语音端点检测,尤其是检测 人声 开始和结束的端点始终是属于技术难点,各家公司始终处于 能判断,但是不敢保证 判别准确性 的阶段.

Screenshot from 2017-05-25 22-42-50.png

现在基于云端语义库的聊天机器人层出不穷,其中最著名的当属amazon的 Alexa/Echo 智能音箱.

timg.jpg

国内如雨后春笋般出现了各种搭载语音聊天的智能音箱(如前几天在知乎上广告的若琪机器人)和各类智能机器人产品.国内语音服务提供商主要面对中文语音服务,由于语音不像图像有分辨率等等较为客观的指标,很多时候凭主观判断,所以较难判断各家语音识别和合成技术的好坏.但是我个人认为,国内的中文语音服务和国外的英文语音服务,在某些方面已经有超越的趋势.

timg (1).jpg

通常搭建机器人聊天系统主要包括以下三个方面:

* 语音转文字(ASR/STT)

* 语义内容(NLU/NLP)

* 文字转语音(TTS)

语音转文字(ASR/STT)

在将语音传给云端API之前,是本地前端的语音采集,这部分主要包括如下几个方面:

* 麦克风降噪

* 声源定位

* 回声消除

* 唤醒词

* 语音端点检测

* 音频格式压缩

python 端点检测

由于实际应用中,单纯依靠能量检测特征检测等方法很难判断人声说话的起始点,所以市面上大多数的语音产品都是使用唤醒词判断语音起始.另外加上声音回路,还可以做语音打断.这样的交互方式可能有些傻,每次必须喊一下 唤醒词 才能继续聊天.这种方式聊多了,个人感觉会嘴巴疼:-O .现在github上有snowboy唤醒词的开源库,大家可以登录snowboy官网训练自己的唤醒词模型.

* Kitt-AI : Snowboy

* Sensory : Sensory

考虑到用唤醒词嘴巴会累,所以大致调研了一下,python拥有丰富的库,直接import就能食用.这种方式容易受强噪声干扰,适合一个人在家玩玩.

* pyaudio: pip install pyaudio 可以从设备节点读取原始音频流数据,音频编码是PCM格式;

* webrtcvad: pip install webrtcvad 检测判断一组语音数据是否为空语音;

当检测到持续时间长度 T1 vad检测都有语音活动,可以判定为语音起始;

当检测到持续时间长度 T2 vad检测都没有有语音活动,可以判定为语音结束;

完整程序代码可以从我的https://github.com/wangshub/python-vad下载

程序很简单,相信看一会儿就明白了

'''

Requirements:

+ pyaudio - `pip install pyaudio`

+ py-webrtcvad - `pip install webrtcvad`

'''

import webrtcvad

import collections

import sys

import signal

import pyaudio

from array import array

from struct import pack

import wave

import time

FORMAT = pyaudio.paInt16

CHANNELS = 1

RATE = 16000

CHUNK_DURATION_MS = 30      # supports 10, 20 and 30 (ms)

PADDING_DURATION_MS = 1500  # 1 sec jugement

CHUNK_SIZE = int(RATE * CHUNK_DURATION_MS / 1000)  # chunk to read

CHUNK_BYTES = CHUNK_SIZE * 2  # 16bit = 2 bytes, PCM

NUM_PADDING_CHUNKS = int(PADDING_DURATION_MS / CHUNK_DURATION_MS)

# NUM_WINDOW_CHUNKS = int(240 / CHUNK_DURATION_MS)

NUM_WINDOW_CHUNKS = int(400 / CHUNK_DURATION_MS)  # 400 ms/ 30ms  ge

NUM_WINDOW_CHUNKS_END = NUM_WINDOW_CHUNKS * 2

START_OFFSET = int(NUM_WINDOW_CHUNKS * CHUNK_DURATION_MS * 0.5 * RATE)

vad = webrtcvad.Vad(1)

pa = pyaudio.PyAudio()

stream = pa.open(format=FORMAT,

                channels=CHANNELS,

                rate=RATE,

                input=True,

                start=False,

                # input_device_index=2,

                frames_per_buffer=CHUNK_SIZE)

got_a_sentence = False

leave = False

def handle_int(sig, chunk):

    global leave, got_a_sentence

    leave = True

    got_a_sentence = True

def record_to_file(path, data, sample_width):

    "Records from the microphone and outputs the resulting data to 'path'"

    # sample_width, data = record()

    data = pack('<' + ('h' * len(data)), *data)

    wf = wave.open(path, 'wb')

    wf.setnchannels(1)

    wf.setsampwidth(sample_width)

    wf.setframerate(RATE)

    wf.writeframes(data)

    wf.close()

def normalize(snd_data):

    "Average the volume out"

    MAXIMUM = 32767  # 16384

    times = float(MAXIMUM) / max(abs(i) for i in snd_data)

    r = array('h')

    for i in snd_data:

        r.append(int(i * times))

    return r

signal.signal(signal.SIGINT, handle_int)

while not leave:

    ring_buffer = collections.deque(maxlen=NUM_PADDING_CHUNKS)

    triggered = False

    voiced_frames = []

    ring_buffer_flags = [0] * NUM_WINDOW_CHUNKS

    ring_buffer_index = 0

    ring_buffer_flags_end = [0] * NUM_WINDOW_CHUNKS_END

    ring_buffer_index_end = 0

    buffer_in = ''

    # WangS

    raw_data = array('h')

    index = 0

    start_point = 0

    StartTime = time.time()

    print("* recording: ")

    stream.start_stream()

    while not got_a_sentence and not leave:

        chunk = stream.read(CHUNK_SIZE)

        # add WangS

        raw_data.extend(array('h', chunk))

        index += CHUNK_SIZE

        TimeUse = time.time() - StartTime

        active = vad.is_speech(chunk, RATE)

        sys.stdout.write('1' if active else '_')

        ring_buffer_flags[ring_buffer_index] = 1 if active else 0

        ring_buffer_index += 1

        ring_buffer_index %= NUM_WINDOW_CHUNKS

        ring_buffer_flags_end[ring_buffer_index_end] = 1 if active else 0

        ring_buffer_index_end += 1

        ring_buffer_index_end %= NUM_WINDOW_CHUNKS_END

        # start point detection

        if not triggered:

            ring_buffer.append(chunk)

            num_voiced = sum(ring_buffer_flags)

            if num_voiced > 0.8 * NUM_WINDOW_CHUNKS:

                sys.stdout.write(' Open ')

                triggered = True

                start_point = index - CHUNK_SIZE * 20  # start point

                # voiced_frames.extend(ring_buffer)

                ring_buffer.clear()

        # end point detection

        else:

            # voiced_frames.append(chunk)

            ring_buffer.append(chunk)

            num_unvoiced = NUM_WINDOW_CHUNKS_END - sum(ring_buffer_flags_end)

            if num_unvoiced > 0.90 * NUM_WINDOW_CHUNKS_END or TimeUse > 10:

                sys.stdout.write(' Close ')

                triggered = False

                got_a_sentence = True

        sys.stdout.flush()

    sys.stdout.write('\n')

    # data = b''.join(voiced_frames)

    stream.stop_stream()

    print("* done recording")

    got_a_sentence = False

    # write to file

    raw_data.reverse()

    for index in range(start_point):

        raw_data.pop()

    raw_data.reverse()

    raw_data = normalize(raw_data)

    record_to_file("recording.wav", raw_data, 2)

    leave = True

stream.close()

你可能感兴趣的:(python的webrtc库实现语音端点检测)