语音识别语料归一化处理的方法

在进行语音识别模型的训练和测试语料收集的过程中，我们需要对收集到的语料进行归一化处理。

收集到的语料应每个命令词或句子单个截下来，对其进行归一化处理。因为即使是同一个人，在读不同的命令词的时候，音量也会不一样。特别是在语料录制的过程中，由于志愿者的逐渐疲惫，后面录的命令词的声音，可能会偏弱一些。

对语料进行归一化处理的基本原理是：取一段语料中幅度最大的点将其幅度拉大到接近1，记录拉大的比例，再将其他所有点均按这个比例拉伸。这个操作可以在Audacity等音频处理软件中进行处理，也可以使用以下方法进行操作：（该方法由全志算法友商提供，仅供全志内部使用，不对外开放，但自己实现其实也很简单）

处理方法

（1）将do_pcm工具复制到ubuntu PC的任意目录下。chmod 777 do_pcm。此时执行该工具会打印如下帮助信息：

chenkunyao@ubuntu-chenkunyao:~/test$ ./do_pcm  pcm file process:     [ -h]:      show help information     [ -i]:      input file path     [ -o]:      output file path     [ --nchi]:      number of input file channels, default 1     [ --ncho]:      number of output file channels, default 1     [ --ichi]:      channel index select from input file: 0,1,...(default 0,i.e, mean val)     [ -b]:      bitwidht default 16      [ --ri]:      input sample rate, default 16000     [ --ro]:      output sample rate, default 16000     [ --norm]:      whether or not to do pcm offline normalization, default 0      [ -v]:      get split version needed 0      [ --hp]:      high pass      [ --ali]:      align pcm by m_sequence,default 0     [ --delay]:      for two channel signal to calculate delay      [ --ali_s]:      align pcm ,seconds to start with,default 0      [ --ali_e]:      align pcm , seconds to end with ,default -1,which means 3min inputs     [ --split]:      split pcm by m_sequence,default 0, 1 means split words,2 means split person by start, 3 means split person by end     [ --ms_cut_s]:      start pos in ms      [ --ms_cut_e]:      end pos in ms     [ --snr]:      snr calculate

 

 

（2）使用Audacity或其他音频处理软件从采集到的语料中截取单个命令词，保存为一个.wav文件。

 

（3）在ubuntu PC上使用命令./do_pcm -i in.pcm -o out.pcm --norm对语料进行处理，得到的out.pcm则为一个处理好的语料文件，如：

幅度调整范围是-32767-72767

 

归一化处理前好的两个语料的对比（上方为处理前语料的音轨，下方为处理好语料的音轨）：

 

频谱图对比：