我們都知道python是一款功能強(qiáng)大的數(shù)據(jù)分析工具，而且使用起來相對(duì)簡(jiǎn)單，被廣泛應(yīng)用于數(shù)據(jù)分析，web開發(fā)，人工智能等很多領(lǐng)域。語音識(shí)別，也叫作自動(dòng)語音識(shí)別，其是以計(jì)算機(jī)自動(dòng)將人類的語音內(nèi)容轉(zhuǎn)換為相應(yīng)文字為目標(biāo)。語音識(shí)別的應(yīng)用范圍，包括、簡(jiǎn)單的聽寫數(shù)據(jù)錄入，語音撥號(hào)、語音導(dǎo)航、室內(nèi)設(shè)備控制、語音文檔檢索等等。當(dāng)語言識(shí)別遇上python，其實(shí)現(xiàn)將會(huì)變得更簡(jiǎn)單，快捷。今天小編與大家分享的就是python語音識(shí)別的一些基礎(chǔ)知識(shí)，希望對(duì)大家有所幫助。

一、python語音識(shí)別原理

語音識(shí)別的首要任務(wù)是語音，通常通過麥克風(fēng)，語音就能夠從物理聲音轉(zhuǎn)換為電信號(hào)，之后再被轉(zhuǎn)換為數(shù)據(jù)。語音一旦被數(shù)字化，就能夠適用若干模型，最終轉(zhuǎn)換為文本。

目前現(xiàn)代大多數(shù)語音識(shí)別系統(tǒng)，都是基于隱馬爾可夫模型(HMM)。這一模型的工作原理為：語音信號(hào)在極短的時(shí)間尺度上，例如10 毫秒，能夠被近似為靜止過程，也就是一個(gè)統(tǒng)計(jì)特性不隨時(shí)間變化的過程。而python語音識(shí)別技術(shù)， 一些服務(wù)能夠通過 API 在線使用，并且大部分都提供了 Python SDK。

二、選擇python 語音識(shí)別包

apiai

google-cloud-speech

pocketsphinx

SpeechRcognition

watson-developer-cloud

wit

其中， SpeechRcognition為最便捷的一種。

因?yàn)檎Z音識(shí)別首先需要輸入音頻，而 SpeechRecognition 檢索音頻輸入是極為簡(jiǎn)便快捷的，我們并不需要構(gòu)建訪問麥克風(fēng)，也不需要從頭開始處理音頻文件的腳，SpeechRecognition 僅僅幾分鐘就能自動(dòng)完成檢索并運(yùn)行。

SpeechRecognition 庫(kù)能夠滿足幾種主流語音 API ，靈活性非常高。例如： Google Web Speech API 支持硬編碼到 SpeechRecognition 庫(kù)中的默認(rèn) API 密鑰，不需要注冊(cè)就能直接使用。因此，SpeechRecognition 由于具有靈活性和易用性的優(yōu)點(diǎn)，成為編寫 Python 程序的最佳選擇。

三、python 語音識(shí)別

import numpy as np
import scipy.io.wavfile as wf
import python_speech_features as sf
import hmmlearn.hmm as hl

# 提取樣本信息
train_x,train_y = [],[]
mfccs = np.array([])
for sound_files in files_list:
    for sound_file in sound_files:
        sample_rate,sigs = wf.read(sound_file)
        mfcc = sf.mfcc(sigs,sample_rate)
        # 將mfcc矩陣添加到mfccs中
        if len(mfccs) == 0:
            mfccs == mfcc
        else:
            mfccs = np.append(mfccs,mfcc)
    # 將mfccs矩陣列表添加到訓(xùn)練集中  
    train_x.append(mfccs)
# 最終的train_x len（sound_files）個(gè)特征的矩陣
# train_y存的是特征標(biāo)簽，比如：apple，banana，pear

# 構(gòu)建并訓(xùn)練隱馬模型
models = {}
for mfccs,label in zip(train_x,train_y):
    model = hl.GaussianHMM(
        n_components = 4, covariance_type = 'diag',
        n_iter = 1000
    )
    models[label] = model.fit(mfccs)

# 同樣方法獲取測(cè)試集數(shù)據(jù)
# 測(cè)試
pred_y = []
for mfccs in test_x: 
    # 驗(yàn)證每個(gè)模型對(duì)當(dāng)前mfcc的匹配度得分
    best_score, best_label = None, None
    for label, model in models.items():
        score = model.score(mfccs)
        if (best_score is None) or (best_score < score):
            best_score = score
            best_label = label
    pred_y.append(best_label)

print(test_y)
print(pred_y)