教你训练一个简单的音频识别网络（附代码）

最新推荐文章于 2024-07-30 14:24:53 发布
最新推荐文章于 2024-07-30 14:24:53 发布
阅读量1w 收藏 18
点赞数 4
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/eNohtZvQiJxo00aTz3y8/article/details/78153667
版权
本文将指导你如何训练一个基本的音频识别模型，通过实践操作，包括数据预处理、模型构建、训练过程以及代码实现，掌握音频特征提取和深度学习模型的应用。
摘要由CSDN通过智能技术生成

来源：大数据文摘

本文长度为7600字，建议阅读10分钟

本文将一步步向你展示，如何建立一个能识别10个不同词语的基本语音识别网络。


你需要知道，真正的语音与音频识别系统要复杂的多，但就像图像识别领域的MNIST，它将让你对所涉及的技术有个基本了解。


完成本教程后，你将拥有一个模型，能够辨别一个1秒钟的音频片段是否是无声的、无法识别的词语，或者是“yes”、“no”、“up”、“down”、“left”、“right”、 “on”、“off”、“stop”、“go”。你还可以使用这个模型并在Android应用程序中运行它。


注：本文含有大量代码，需要代码原文的同学请参考文末来源地址中的内容。

 

准备工作


确保你已经安装了TensorFlow，由于脚本程序将下载超过1GB的训练数据，你需要畅通的网络连接，而且你的机器需要有足够的空余空间。训练过程本身可能需要几个小时，所以确保你有一台可以使用这么长时间的机器。

 

训练


开始训练前，在TensorFlow 源码树下运行：



这个脚本程序将开始下载“语音命令数据集”，包括65000条由不同的人说30个不同词语组成的WAVE音频文件。这份数据由Google收集，并在CC-BY协议许可下发行，你可以通过贡献自己五分钟的声音来帮助提升它。这份文件大小超过1GB，所以这部分可能需要一段的时间，但你应该看一下过程日志，一旦它被下载一次，你就不需要再进行这一步了。



这表明初始化进程已经完成，循环训练已经开始，你将看到每一次训练产生的输出信息。这里分别解释一下含义：



在100步之后，你将会看到一行输出如下：


最低0.47元/天 解锁文章
「已注销」
关注
基于声音的击键信号识别
weixin_30794499的博客
01-16 2315
摘要 本文文章采用击键信号的短时能量及峰值片段的幅度及各个幅度对应的频率作为特征向量。采用声音搜集装置搜集敲击键盘产生的声音信号，并对声音信号进行巴特沃斯滤波方法进行滤波预处理；将上述经过滤波得到的信号减去环境背景信号，得到当前信号；其中，所述环境背景信号是一段无击键动作发生时采集的环境中的声音信号。 利用能量检测算法并提取出每个敲击动作的击键高峰的信号片段；使用能量检测算法检测出一个...
语音情感识别中的音频检测算法学习
a18379692263的博客
10-08 1707
引言：目前大体学习多模态语音情感识别，对语音数据的训练过程有个初步的了解，但对于原始语音音频生成具体的数据特征、以及如何获取有些疑惑，因此通过这篇文章来总结语音情感识别中的音频特征检测算法。 音频检测的关键技术-MFCC特征提取 为了从音频信号中提取语音信息，目前使用的是普遍用于分析音频信号的mfcc值。MFCC（梅尔频率倒谱系数），梅尔频率是基于人耳听觉特性提取出来的，和赫兹频率呈现一个非线性对应关系。梅尔频率倒谱系数是利用好梅尔频率和赫兹频谱关系计算得出的赫兹频谱特征，其主要应用于语...
【玩转数据系列十六】机器学习PAI通过声音分辨男女（含语音特征提取相关数据和代码）...
weixin_33814685的博客
09-26 834
背景 随着人工智能的算法发展，对于非结构化数据的处理能力越来越受到重视，这里面的关键一环就是语音数据的处理。目前，许多关于语音识别的应用案例已经影响着我们的生活，例如一些智能音箱中利用语音发送指令，一些搜索工具利用语音输出文本代替键盘录入。 本文我们将针对语音识别中最简单的案例“男女声音”识别，结合本地的R工具以及机器学习PAI，为大家进行介绍。通过本案...
【音频识别】十大数据集合集，宝藏合集，不容错过！
最新发布
Kyzy_1919的博客
07-30 640
文本选择算法的详细信息在以下论文中进行了描述：C. Veaux、J. Yamagishi 和 S. King，“语音库语料库：大型区域口音语音数据库的设计、收集和数据分析”，https：/ /doi.org/10.1109/ICSDA.2013.6709856。在CVPR2023中我们提出了精细化音视频描述任务（Fine-grained Audible Video Description, FAVD）该任务旨在提供有关可听视频的详细文本描述，包括每个对象的外观和空间位置、移动对象的动作以及视频中的声音。
音频静音检测算法
音视频工厂的博客
03-03 3988
Voice Activity Detector, 即语音动态检测； 在实时通话过程中，静音检测算法在某些场景下还是可以起到关键性的作用： 1、节省带宽：用来做语音流检测是否有声音，来决定是否发生音频数据，当检测到用户没有讲话即静音状态时，发送端可以不发送语音报文，只发送静音指示报文，从而降低语音报文占用的带宽。如下所示，正常的语音包负载占据160字节； 而静音帧只有几个字节，如下所示： 这种情况把VAD阈值设置的要低一些，否则会影响音频的质量，如果阈值过高的话，会有影响说话的...
音频识别(Audio Classification)学习笔记
Killer_kali的博客
02-06 7443
音频分类(audio classification) 音频分类(audio classification) 一.音频的定义以及音频三要素 二.音频数据的存储方式 三.关于音频的一些专业名词 1.采样率 2.采样位数 3.比特率 4.音频编码 5.声道数 6.码率 7.音频帧 8.音频格式 四.python处理音频文件 1.wave包处理音频并绘制模拟信号图 2.音频数据的准备 (1)wave文件的读入(torchaudio.load) (2)wave文件的声道统一化 (3)wave文件的采样率
带你训练一个简单的音频识别网络（附代码）
数据派THU
10-09 9802
来源：大数据文摘 本文长度为7600字，建议阅读10分钟 本文将一步步向你展示，如何建立一个能识别10个不同词语的基本语音识别网络。 你需要知道，真正的语音与音频识别系统要复杂的多，但就像图像识别领域的MNIST，它将让你对所涉及的技术有个基本了解。 完成本教程后，你将拥有一个模型，能够辨别一个1秒钟的音频片段是否是无声的、无法识别的词语，或者是“yes”、“no”、“up
《PANN：用于音频模式识别的大规模预训练音频神经网络》
01-06
《PANN：用于音频模式识别的大规模预训练音频神经网络》是Qiuqiang Kong等人对《PANNs: Large-Scale Pretrained Audio Neural Networks for Audio Pattern Recognition》的中文翻译，该论文关注的是音频模式识别领域...
python用TensorFlow和Keras高级API语音识别，代码用预训练DeepSpeech2模型（6400字附步骤）
09-01
定义一个简单的卷积神经网络(CNN)模型，包括卷积层、池化层、Dropout层以及全连接层： ```python model = keras.Sequential([ keras.layers.Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(32, ...
钢琴_钢琴音色识别_matlab_钢琴音频识别_音频识别_
09-29
在音乐领域，音频识别是一项重要的技术，特别是在乐器识别中，如钢琴音色识别。本项目主要探讨了如何利用MATLAB这一强大的数学计算软件进行钢琴音色的识别。MATLAB不仅适用于数值计算，还广泛应用于信号处理和模式...
音频质量-一种异音分析算法原理.pdf
10-27
本文描述了一种高级用于音频质量评估的杂音、异音检测原理及实现方法
几种语音识别算法的比较
05-11
基于小样本集的几种语音识别算法的比较研究
听歌识曲算法技术[语音识别]
的博客
09-05 4997
概念理解： 语音识别：通过一种语音检索算法来识别一段音频内容的含义。 音频文件：指带有声音的文件，比如音乐。 时域：振幅Y和时间T的关系。 频域：振幅Y和频率F的关系。 短时傅里叶变换：通过对每个时间极短的音频片段做傅里叶变换，来得到这个时间段的频率分布，之所以成为短时，是因为这个算法只有再短时内语音音频的频率以及振幅是比较平稳的，如果时间过长就会导致傅里叶变换不准确。 频谱图：每个时间点出现的频率分布图，即每一帧或者每时刻上出现的频率数值和振幅数值，为了用二维数据表示这个三维数据，把振幅压缩到
音频算法检测发言者方位
计算机视觉算法、工程、产品
08-08 756
音频算法检测发言者方位：
语音音频文件识别
wyqwilliam的博客
04-21 3422
在语音音频文件识别中，目前市面长能够支持识别的音频文件格式受几个参数的影响： ①音频文件格式：pcm，wav，ogg_speex，ogg_opus，mp3，opus； ②采样位宽：16bits； ③声道：单声道； ④采样率：16k； ...
java 音色识别_Java实现Shazam声音识别算法的实例代码
weixin_36155081的博客
02-19 1148
Shazam算法采用傅里叶变换将时域信号转换为频域信号，并获得音频指纹，最后匹配指纹契合度来识别音频。1、AudioSystem获取音频奈奎斯特-香农采样定理告诉我们，为了能捕获人类能听到的声音频率，我们的采样速率必须是人类听觉范围的两倍。人类能听到的声音频率范围大约在20Hz到20000Hz之间，所以在录制音频的时候采样率大多是44100Hz。这是大多数标准MPEG-1 的采样率。44100这个...
神经网络的声音识别pytorch
05-19
PyTorch是一个非常流行的深度学习框架，它可以用来构建神经网络模型，包括声音识别模型。声音识别是一种文本分类任务，其中输入是声音信号，输出是一段文本。 下面是一个使用PyTorch构建声音识别模型的示例代码： ```python import torch import torch.nn as nn import torch.optim as optim class SoundClassifier(nn.Module): def __init__(self): super(SoundClassifier, self).__init__() self.conv1 = nn.Conv2d(1, 32, kernel_size=(3,3), stride=(1,1), padding=(1,1)) self.bn1 = nn.BatchNorm2d(32) self.relu1 = nn.ReLU() self.pool1 = nn.MaxPool2d(kernel_size=(2,2), stride=(2,2), padding=(0,0)) self.conv2 = nn.Conv2d(32, 64, kernel_size=(3,3), stride=(1,1), padding=(1,1)) self.bn2 = nn.BatchNorm2d(64) self.relu2 = nn.ReLU() self.pool2 = nn.MaxPool2d(kernel_size=(2,2), stride=(2,2), padding=(0,0)) self.fc1 = nn.Linear(64*7*7, 128) self.bn3 = nn.BatchNorm1d(128) self.relu3 = nn.ReLU() self.fc2 = nn.Linear(128, 10) def forward(self, x): x = self.conv1(x) x = self.bn1(x) x = self.relu1(x) x = self.pool1(x) x = self.conv2(x) x = self.bn2(x) x = self.relu2(x) x = self.pool2(x) x = x.view(-1, 64*7*7) x = self.fc1(x) x = self.bn3(x) x = self.relu3(x) x = self.fc2(x) return x model = SoundClassifier() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练模型 for epoch in range(10): for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() # 使用模型进行预测 outputs = model(test_inputs) _, predicted = torch.max(outputs, 1) ``` 这个示例代码使用了一个卷积神经网络，它可以接受一个声音信号作为输入，并将其转换为一个二维图像，然后通过两个卷积层和一个全连接层进行分类。在训练过程中，使用了交叉熵损失和Adam优化器来优化模型。在预测时，使用了模型的输出和argmax函数来找到最可能的类别。 当然，这只是一个简单的示例代码，实际的声音识别模型可能会更加复杂。但是，这个示例代码可以帮助你理解如何使用PyTorch来构建神经网络模型。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值