（在说正事之前，我要推荐一个福利：你还在原价购买阿里云、腾讯云、华为云服务器吗？那太亏啦！来这里，新购、升级、续费都打折，能够为您省60%的钱呢！2核4G企业级云服务器低至69元/年，点击进去看看吧>>>)

【51CTO.com快译】本文我们将通过一个使用Tensorflow对一些声音剪辑进行分类的例子，帮助你了解足够的基础知识，从而能够构建自己的语音识别模型。另外，你也可以通过进一步的学习，将这些概念应用到更大、更复杂的音频文件中。

本案例的完整代码可以在GitHub上获取。

获取数据

数据收集是数据科学中的难题之一。虽然有很多可用的数据，但并不是所有的数据都容易用于机器学习问题。因此必须确保数据是干净的、有标签的和完整的。

为了实现本次案例，我们将使用Google发布的一些音频文件，可以在Github上获取。

首先，我们将创建一个新的Conducto管道。在这里，您可以构建，训练和测试模型，并与其他感兴趣的人共享链接：

### 
# Main Pipeline 
### 
def main() -> co.Serial: 
path = "/conducto/data/pipeline" 
root = co.Serial(image = get_image()) 
 
# Get data from keras for testing and training 
root["Get Data"] = co.Exec(run_whole_thing, f"{path}/raw") 
 
return root 

然后，开始编写 run_whole_thing 功能：

def run_whole_thing(out_dir):  
os.makedirs(out_dir, exist_ok=True)  
# Set seed for experiment reproducibility  
seed = 55  
tf.random.set_seed(seed)  
np.random.seed(seed)  
data_dir = pathlib.Path("data/mini_speech_commands")  

接下来，设置目录以保存音频文件：

if not data_dir.exists():  
# Get the files from external source and put them in an accessible directory  
tf.keras.utils.get_file(  
'mini_speech_commands.zip',  
origin="http://storage.googleapis.com/download.tensorflow.org/data/mini_speech_commands.zip",  
extract=True)   

预处理数据

现在将数据保存在正确的目录中，可以将其拆分为训练、测试和验证数据集。

首先，我们需要编写一些函数来帮助预处理数据，以使其可以在我们的模型中起作用。

我们需要算法能够理解的数据格式。我们将使用卷积神经网络，所以数据需要转换成图像。

第一个函数将把二进制音频文件转换成一个张量：

# Convert the binary audio file to a tensor  
def decode_audio(audio_binary):  
audio, _ = tf.audio.decode_wav(audio_binary)  
return tf.squeeze(audio, axis=-1)  

由于我们有一个具有原始数据的张量，所以我们需要得到匹配它们的标签。这就是下面的函数通过从文件路径获取音频文件的标签功能：

# Get the label (yes, no, up, down, etc) for an audio file.  
def get_label(file_path):  
parts = tf.strings.split(file_path, os.path.sep)  
return parts[-2]  

接下来，我们需要将音频文件与正确的标签相关联。执行此操作并返回一个可与 Tensorflow配合使用的元组：

# Create a tuple that has the labeled audio files  
def get_waveform_and_label(file_path):  
label = get_label(file_path)  
audio_binary = tf.io.read_file(file_path)  
waveform = decode_audio(audio_binary)  
return waveform, label  

前面我们简要提到了使用卷积神经网络(CNN)算法。这是我们处理语音识别模型的方法之一。通常CNN在图像数据上工作得很好，有助于减少预处理时间。

我们要利用这一点，把音频文件转换成频谱图。频谱图是频率频谱的图像。如果查看一个音频文件，你会发现它只是频率数据。因此，我们要写一个将音频数据转换成图像的函数：

# Convert audio files to images  
def get_spectrogram(waveform):  
# Padding for files with less than 16000 samples  
zero_padding = tf.zeros([16000] - tf.shape(waveform), dtype=tf.float32)  
# Concatenate audio with padding so that all audio clips will be of the same length  
waveform = tf.cast(waveform, tf.float32)  
equal_length = tf.concat([waveform, zero_padding], 0)  
spectrogram = tf.signal.stft(  
equal_length, frame_length=255, frame_step=128)  
spectrogram = tf.abs(spectrogram)  
  
return spectrogram  

现在我们已经将数据格式化为图像，我们需要将正确的标签应用于这些图像。这与我们制作原始音频文件的做法类似：

# Label the images created from the audio files and return a tuple  
def get_spectrogram_and_label_id(audio, label):  
spectrogram = get_spectrogram(audio)  
spectrogram = tf.expand_dims(spectrogram, -1)  
label_id = tf.argmax(label == commands)  
return spectrogram, label_id  

我们需要的最后一个 helper 函数将处理传递给它的任何音频文件集的所有上述操作：

# Preprocess any audio files  
def preprocess_dataset(files, autotune, commands):  
# Creates the dataset  
files_ds = tf.data.Dataset.from_tensor_slices(files)  
  
# Matches audio files with correct labels  
output_ds = files_ds.map(get_waveform_and_label,  
num_parallel_calls=autotune)  
# Matches audio file images to the correct labels  
output_dsoutput_dsoutput_ds = output_ds.map(  
get_spectrogram_and_label_id, num_parallel_calls=autotune)  
return output_ds  

当已经有了所有这些辅助函数，我们就可以分割数据了。

将数据拆分为数据集

将音频文件转换为图像有助于使用CNN更容易处理数据，这就是我们编写所有这些帮助函数的原因。我们将做一些事情来简化数据的分割。

首先，我们将获得所有音频文件的潜在命令列表，我们将在代码的其他地方使用这些命令：

# Get all of the commands for the audio files  
commands = np.array(tf.io.gfile.listdir(str(data_dir)))  
commandscommandscommands = commands[commands != 'README.md']  

然后我们将得到数据目录中所有文件的列表，并对其进行混洗，以便为每个需要的数据集分配随机值：

# Get a list of all the files in the directory  
filenames = tf.io.gfile.glob(str(data_dir) + '/*/*')  
  
# Shuffle the file names so that random bunches can be used as the training, testing, and validation sets  
filenames = tf.random.shuffle(filenames)  
  
# Create the list of files for training data  
train_files = filenames[:6400]  
  
# Create the list of files for validation data  
validation_files = filenames[6400: 6400 + 800]  
  
# Create the list of files for test data  
test_files = filenames[-800:]  

现在，我们已经清晰地将培训、验证和测试文件分开，这样我们就可以继续对这些文件进行预处理，使它们为构建和测试模型做好准备。这里使用autotune来在运行时动态调整参数的值：

autotune = tf.data.AUTOTUNE  

第一个示例只是为了展示预处理的工作原理，它给了一些我们需要的spectrogram_ds值：

# Get the converted audio files for training the model  
files_ds = tf.data.Dataset.from_tensor_slices(train_files)  
waveform_ds = files_ds.map(  
get_waveform_and_label, num_parallel_calls=autotune)  
spectrogram_ds = waveform_ds.map(  
get_spectrogram_and_label_id, num_parallel_calls=autotune)  

既然已经了解了预处理的步骤过程，我们可以继续使用helper函数来处理所有数据集：

# Preprocess the training, test, and validation datasets  
train_ds = preprocess_dataset(train_files, autotune, commands)  
validation_ds = preprocess_dataset(  
validation_files, autotune, commands)  
test_ds = preprocess_dataset(test_files, autotune, commands)  

我们要设置一些训练示例，这些训练示例在每个时期的迭代中运行，因此我们将设置批处理大小：

# Batch datasets for training and validation  
batch_size = 64  
train_dstrain_dstrain_ds = train_ds.batch(batch_size)  
validation_dsvalidation_dsvalidation_ds = validation_ds.batch(batch_size)  

最后，我们可以利用缓存来减少训练模型时的延迟：

# Reduce latency while training  
train_dstrain_dstrain_ds = train_ds.cache().prefetch(autotune)  
validation_dsvalidation_dsvalidation_ds = validation_ds.cache().prefetch(autotune)  

最终，我们的数据集采用了可以训练模型的形式。

建立模型

由于数据集已明确定义，所以我们可以继续构建模型。我们将使用CNN创建模型，因此我们需要获取数据的形状以获取适用于我们图层的正确形状，然后我们继续按顺序构建模型：

# Build model  
for spectrogram, _ in spectrogram_ds.take(1):  
input_shape = spectrogram.shape  
  
num_labels = len(commands)  
  
norm_layer = preprocessing.Normalization()  
norm_layer.adapt(spectrogram_ds.map(lambda x, _: x))  
  
model = models.Sequential([  
layers.Input(shape=input_shape),  
preprocessing.Resizing(32, 32),  
norm_layer,  
layers.Conv2D(32, 3, activation='relu'),  
layers.Conv2D(64, 3, activation='relu'),  
layers.MaxPooling2D(),  
layers.Dropout(0.25),  
layers.Flatten(),  
layers.Dense(128, activation='relu'),  
layers.Dropout(0.5),  
layers.Dense(num_labels),  
])  
  
model.summary()  

我们在模型上做了一些配置，以便给我们最好的准确性：

# Configure built model with losses and metrics  
model.compile(  
optimizer=tf.keras.optimizers.Adam(),  
loss=tf.keras.losses.SparseCategoricalCrossentropy(  
from_logits=True),  
metrics=['accuracy'],  
)  

模型建立好了，现在剩下的就是训练它了。

训练模型

在所有的工作都对数据进行预处理和建立模型之后，训练就相对简单了。我们确定要使用训练和验证数据集运行多少个周期：

# Finally train the model and return info about each epoch  
EPOCHS = 10  
model.fit(  
train_ds,  
validation_data=validation_ds,  
epochs=EPOCHS,  
callbacks=tf.keras.callbacks.EarlyStopping(verbose=1, patience=2),  
)  

这样这个模型就已经训练好了，现在需要对它进行测试。

测试模型

现在我们有了一个准确率约为83%的模型，是时候测试它在新数据上的表现了。所以我们使用测试数据集并将音频文件从标签中分离出来：

# Test the model  
test_audio = []  
test_labels = []  
  
for audio, label in test_ds:  
test_audio.append(audio.numpy())  
test_labels.append(label.numpy())  
  
test_audio = np.array(test_audio)  
test_labels = np.array(test_labels)  

然后我们获取音频数据并在我们的模型中使用它，看看它是否预测了正确的标签：

# See how accurate the model is when making predictions on the test dataset 
y_pred = np.argmax(model.predict(test_audio), axis=1) 
y_true = test_labels 
 
test_acc = sum(y_pred == y_true) / len(y_true) 
 
print(f'Test set accuracy: {test_acc:.0%}') 

完成管道

只需要编写一小段代码就可以完成您的管道并使其与任何人共享。这定义了将在Conducto管道中使用的图像，并处理文件执行:

### 
# Pipeline Helper functions 
### 
def get_image(): 
return co.Image( 
"python:3.8-slim", 
copy_dir=".", 
reqs_py=["conducto", "tensorflow", "keras"], 
) 
 
if __name__ == "__main__": 
co.main(default=main) 

现在，你可以在终端中运行python pipeline.py——它应该会启动一个到新Conducto管道的链接。

结论

这是解决音频处理问题的方法之一，但是根据要分析的数据，它可能要复杂得多。如果将其构建在管道中，可以很轻松地与同事共享并在遇到错误时获得帮助或反馈。

【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】