语音识别数据预处理（添加噪音）和特征提取

0 前言

   在做ASR和KWS实验时，必不可少的需要对语音数据预处理，提取特征（业内常见是提取为MFCC），最后再喂入模型中。数据预处理可分为离线处理和在线处理：

• 离线处理： 训练之前先对语音数据进行加噪音、调低\高音量、1.5倍速播放等（有人用工具audiomentations）,然后再提取MFCC特征到特征文件里（特征文件格式.h5,.csv），训练时数据集从特征文件读取，不需要再预处理了.
    优点： 只需提取特征一次就可以多次训练，时间减少很多；
    缺点： 每个epoch喂入模型的数据特征都是一样的（提取到特征文件，其实特征就被写死了），变相的降低了数据集可增强的空间，模型泛化能力会降低；
• 在线处理： 对数据进行预处理，然后提取MFCC特征，最后喂入模型中。每一个epoch都会进行预处理，再喂入模型；
    优点： 数据集可增强空间变大（相当于有epoch个数据集），模型泛化能力强；
    缺点： 训练时间长，显存消耗大；

后面章节将介绍语音预处理、特征提取到特征文件

1 语音预处理

语音预处理常用工具是librosa或者audiomentations，下面将介绍基于audiomentations的数据