ASRT中文语音识别系统

项目：ASRT_SpeechRecognition
学习中…持续更新

---

系统流程

---

1.特征提取

• 输入：语音.wav
• 操作：分帧加窗等操作
• 输出：语谱图(二维频谱图像信号)
  

---

2.声学模型

• 参考VGG的深度卷积神经网络
  - 输入：语谱图
  - 操作：VGG模型训练
  - 输出：VGG输出
  

---

3.CTC解码

• 输入：VGG输出
• 输出：汉语拼音序列
  

---

4.语言模型

• 基于概率图的最大熵隐马尔可夫模型
  • 输入：汉语拼音序列
  • 操作：隐含马尔可夫链
  • 输出：汉字文本
• 无需中文分词算法的简单词频统计

def sub_run(path, n):  # n 记录每次切片的一组中包含的字符数
    f1 = open(path, 'rb')
    stxt = f1.read()
    stxt = str(stxt, 'utf-8')
    f1.close()
    tmp_str = {}
    for i in list(range(len(stxt) - 1)):
        tmp_str[stxt[i:i + n]] = 0

    for i in list(range(len(stxt) - 1)):
        tmp_str[stxt[i:i + n]] += 1
    #print(tmp_str.items())
    tmp_str = sorted(tmp_str.items(), key=lambda d: d[1], reverse=True)
    print('*****' + str(n) + '字符***************')
    print(tmp_str)
    print('*************************')

---

代码目录结构

---

general_function

• file_dict.py

  • 函数：GetSymbolList_trash(“路径”)
    • 功能：加载dict.txt文件中的拼音符号列表，用于标记符号
    • 返回：list_symbol列表，[a1,a2,a3…pou2,_]

• file_wav.py

  • 函数：read_wav_data(“一条语音.wav”)

    • 功能：读取一个wav文件
    • 输入：语音.wav文件
      
    • 返回：wave_date,fs
      wave_data：（声道数,帧数）语音信号的时域谱矩阵(一声道为一行)
      fs: 帧速率/采样率

  • 函数：GetMfccFeature(音频信号数据矩阵wave_data，采样率fs)

  • 关于MFCC：Python之python_speech_features

    • 功能：获取语音信号的mfcc特征
    • 返回值：mfcc特征向量的矩阵、一阶差分矩阵、二阶差分矩阵

  • 函数：GetFrequencyFeature(音频信号数据矩阵wave_signal，采样率fs)

    • 功能：获取输入语音信号的特征矩阵（语谱图）
    • 输入：wave_data,fs
    • 输出：FrequencyImg 语谱图：大小为（特征数量，窗口数）的矩阵，如(200, 978)
      

  • 函数：get_wav_list(filename)

    • 返回：从wavlist文件中获取的wav字典(语音id，语音路径)、语音id列表

  • 函数：get_wav_symbol(filename)

    • 返回：从symbollist文件中获取的拼音字典(语音id，语音路径)、语音列表

---

test.py

• 功能：测试整个语音识别系统
• 流程：
  1. 初始化语音模型：ms = ModelSpeech(datapath)
     • _init_()：初始化
     • CreateModel()：创建模型，CNN/LSTM/CTC模型
  2. 加载训练好的语音模型：ms.LoadModel(speech_model251.model)
  3. 读取音频文件，返回拼音序列：r = ms.RecognizeSpeech_FromFile('20170001P00241I0052.wav')
     • read_wav_data()：读音频文件
     • RecognizeSpeech()：语音处理
       • GetFrequencyFeature3()：获取音频特征
       • Predict()：预测结果，返回拼音序列
  4. 加载语言模型：ml = ModelLanguage('model_language') ml.LoadModel()
     • GetLanguageModel()：读取语音模型文件，返回模型
  5. 将拼音序列传入语言模型,得到语音识别结果：r = ml.SpeechToText(str_pinyin)

---

train_mspeech.py
用于训练语音模型

• 创建模型ms = ModelSpeech(datapath)
• 训练模型ms.TrainModel(datapath, epoch = 50, batch_size = 16, save_step = 500)
  • 参数：datapath数据保存路径、epoch迭代轮数、batch_size、每save_step步保存一次模型。

---

readdata.py
DataSpeech类

• init(路径path,数据集类型type=train/dev/test)

1. 调用LoadDataList()加载数据列表
2. 属性如下：

datapath数据存放根目录
type数据集类型
dic_wavlist_thchs30：thchs30数据集（语音id，语音路径）字典
dic_symbollist_thchs30：thchs30数据集（语音id，拼音列表）字典
dic_wavlist_stcmds：stcmds数据集（语音id，语音路径）字典
dic_symbollist_stcmds：stcmds数据集（语音id，拼音列表）字典
list_wavnum_thchs30：thchs30数据集（语音id）列表
list_wavnum_stcmds：stcmds数据集（语音id）列表
list_symbolnum_thchs30：thchs30数据集（语音id）列表，同list_wavnum_thchs30
list_symbolnum_stcmds：stcmds数据集（语音id）列表，同list_wavnum_stcmds
SymbolNum：记录拼音符号数量
list_symbol：全部汉语拼音符号列表GetSymbolList()读dict.txt
list_wavnum：wav文件标记列表
list_symbolnum：symbol标记列表
DataNum：记录数据量

• 函数：LoadDataList()
  根据type属性加载用于计算的数据列表
  读取thchs30和stcmds数据集的wavalist(语音id 语音路径)和symbollist(语音id 拼音)

• 函数：GetDataNum()
  获取thchs30和stcmds数据集的总数据量
  当wav数量和symbol数量一致的时候返回正确的值，否则返回-1，代表出错。

• 函数：GetData()

  • 功能：读取数据，返回神经网络输入值和输出值矩阵(可直接用于神经网络训练的那种)
  • 参数：
    n_start：从编号为n_start数据开始选取数据
    n_amount：选取的数据数量，默认为1，即一次一个wav文件
  • 返回：data_input语音的特征矩阵(三维，原始二维加一维)，和神经网络输出值标签（语音对应的拼音序号数组）

• 函数：data_genetator(batch_size=32, audio_length = 1600)
  数据生成器函数，用于Keras的generator_fit训练。
  yield [X, y, input_length, label_length ], labels

• 函数：GetSymbolList()

  • 从文件dict.txt中加载拼音符号列表，用于标记符号
  • 返回一个列表list_symbol：[a1,a2,a3…,_]

• 函数：GetSymbolNum()
  返回拼音符号列表的大小len(self.list_symbol)

• 函数：SymbolToNum()
  拼音符号转位数字，即该拼音在list_symbol中的位置

• 函数：NumToVector()
  数字转为对应的one-hot向量

---

SpeechModel.py
语音模型类

• 函数：CreateModel()

定义CNN/LSTM/CTC模型，使用函数式模型
输入层：200维的特征值序列，一条语音数据的最大长度设为1600（大约16s）
隐藏层：卷积池化层，卷积核大小为3x3，池化窗口大小为2
隐藏层：全连接层
输出层：全连接层，神经元数量为self.MS_OUTPUT_SIZE，使用softmax作为激活函数，
CTC层：使用CTC的loss作为损失函数，实现连接性时序多输出

• 函数：ctc_lambda_func()

  • 返回K.ctc_batch_cost(labels, y_pred, input_length, label_length)

• 函数：TrainModel()

  • 功能：训练模型

  参数：
  datapath: 数据保存的路径
  epoch: 迭代轮数
  save_step: 每多少步保存一次模型
  filename: 默认保存文件名，不含文件后缀名

• 函数：LoadModel()
  加载模型参数

• 函数：SaveModel()
  保存模型参数

• 函数：TestModel()
  使用编辑距离测试模型错误率

• 函数：Predict()

  • 返回：语音识别后的拼音符号列表

• 函数：RecognizeSpeech()