下载掌阅APP，畅读海量书库
立即打开
本章前面介绍了纯理论知识，目的是向读者阐述语音识别的方法。接着搭建好了开发环境，让读者可以动手编写代码。下面以识别特定词为例，使用深度学习方法和Python语言实现一个实战项目——基于特征词的语音唤醒。
本例的目的是演示一个语音识别的Demo，如果读者已经安装好开发环境，可以直接复制代码运行。如果没有，可学习完本章后再回头练习。笔者会在后续的章节中详细介绍每一步的过程和设计方法。
深度学习的第一步，也是重要的步骤，就是数据的准备。数据的来源多种多样，既有不同类型的数据集，又有根据项目需求由项目组自行准备的数据集。由于本例的目的是识别特定词语而进行语音唤醒，因而采用一整套专门的语音识别数据集speech commands，其形式如图1.29所示。
打开数据集可以看到，根据不同的文件夹名称，其中内部被分成了40个类别，每个类别以名称命名，包含符合该文件名的语音发音，内容如图1.30所示。
图1.29 speech commands数据集
图1.30 特定文件夹内部的内容
可以看到，根据文件名对每个发音进行归类，其中包含：
· 训练集包含51088个WAV音频文件。
· 验证集包含6798个WAV音频文件。
· 测试集包含6835个WAV音频文件。
读者可以使用计算机自带的音频播放程序试听部分音频。
下面开始进入这个Demo的代码部分。
相信读者已经试听过部分音频内容，摆在读者面前的第一个难题是，如何将音频转化成计算机可以识别的信号。
梅尔频率是基于人耳听觉特性提出来的，它与Hz频率成非线性对应关系。梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients，MFCC）则是利用它们之间的这种关系计算得到的Hz频谱特征，主要用于语音数据特征提取和降低运算维度。例如，对于一帧有512维（采样点）的数据，经过MFCC后可以提取出最重要的40维（一般而言），数据同时也达到了降维的目的。
这里，读者只需要将其理解成使用一个“数字矩阵”来替代一段音频。计算MFCC实际上是一个烦琐的任务，但是TensorFlow提供了相应的代码去实现对音频MFCC的提取，代码处理如下：
【程序1-3】
使用创建好的MFCC生产函数去获取特定音频的MFCC矩阵也很容易，代码如下：
最终打印结果如下：
可以看到根据作者所设定的参数，特定路径制定的音频被转换成一个固定大小的矩阵，这也是根据前面超参数的设定而计算出的一个特定矩阵内容。
有兴趣的读者可以将其打印出来并观察其内容。
对于深度学习而言，模型的设计是非常重要的内容，本例由于只是演示，采用了最简单的一个判别模型，代码如下（仅供读者演示，详细的内容在后续章节中介绍）：
【程序1-4】
这里的get_wav_model函数创建了一个可以运行的深度学习模型，并将其作为返回值返回。
下面设定模型的数据输入方法。由于深度学习模型在每一步都需要数据内容的输入，而往往由于计算硬件——显存的大小有限制，因此在输入数据时需要分步骤一块一块地将数据输入训练模型中，此处代码如下：
【程序1-5】
在代码中，首先根据数据集地址生成供训练使用的训练数据和对应的标签，之后的generator函数建立了一个“传送带”，目的是源源不断地将待训练数据传递给训练模型，从而完成模型的训练。
对模型进行训练时，需要定义模型的一些训练参数，如优化器、损失函数、准确率以及训练的循环次数等，代码如下（这里不要求读者理解，能够运行即可）：
【程序1-6】
在模型的结果展示中，笔者使用epochs=10，即运行10轮对数据进行训练，结果如图1.31所示。
图1.31 结果展示
可以看到，经过10轮训练后，准确率达到了97%，这是一个不错的成绩。