用神经网络实现语音分类

多个文章介绍了用卷积网络实现语音分类的思想和实现过程, 在数据准备过程中需要关注的一些点总结如下：

1.数据集 urbandsound8K

2.数据分类10

3.基本思路：

3.1) 对音频段计算每帧MFCC

3.2)多个帧MFCC构成时间相关的输入序列

3.3).利用lstm或rnn网络，多mfcc序列进行分类

4.音频预处理

urbandsound8K 数据集中的音频片段采样率，通道数，采样位数有不同，比如48k,44,1K采样， 单双通道，16bit，24bit音频均有。故先要统一转换成16K采样，16bit音频和单声道。

4.1）双通道转单通道方法：

4.1.1）仅取某一通道数据（本文取此方法）

4,1.2）取两通道数据平均值

4.2）音频重采样

要考虑不同情况，比如48k转换为16K， 8K转换为16K. 此处采用fft实现音频重采样，最大限度减少过程中的质量损失

4.3）采样位数变化

4.3.1）8比特转16比特。注意8比特音频为无符号数 ，中值为128，转换到16比特时要减去128再乘以256

4.3.2）24比特转16比特。24比特音频采用小端存储，为有符号数，最大值为2^23.可以先转为【-1，1】之间的32位浮点数，然后再乘以32767变为16比特音频数据

5.mfcc计算

主要是采用fft3w库计算fft,然后计算标准的mfcc值，基本过程为：预加重，加窗，fft变换，计算平方能量值，  DCT变换，解卷积，倒谱提升

6.神经网络选择

可以基于CNN也可以基于lstm或rnn.从实际测试情况看，采用cnn网络具有更好的分辨准确率。而加入了mfcc一阶差分的比不加入具有更高的分辨准确率，初步训练后，测试准确率为75%