ASR-语音预处理（二）：时域转频域

本文主要是介绍ASR-语音预处理（二）：时域转频域，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一.时域转频域

这节主要介绍如何经过傅里叶变换将音频转到频域，以便于后续的特征提取和识别。先后进行加窗、分帧、FFT和取log操作。
输入：音频矩阵wavsignal ，帧率fs
例：[[1507 1374 1218 … -78 -127 -43]],16000
输出：转成频域后的音频矩阵data_input

二.代码：

#coding=utf-8
import os
import wave
import numpy as np
import matplotlib.pyplot as plt
import math 
import time
from python_speech_features import mfcc
from python_speech_features import delta
from python_speech_features import logfbank
from scipy.fftpack import fftdef read_wav_data(filename):""":param filename:输入音频的绝对路径（路径+文件名）例：D:\\GitHub\\wav\\dae\\train\\A2_1.wav:return:wave_data,framerate:输出音频矩阵，帧率。例：A2_1 [[1507 1374 1218 ...  -78 -127  -43]]读取wav文件，返回声音信号的时域谱矩阵和播放时间"""wav = wave.open(filename,"rb") #打开wav格式的声音文件filenameaudioname = filename.split('\\')[-1] #音频名num_frame = wav.getnframes() #获取帧数#print("{}帧数为：{}".format(audioname,num_frame))num_channel = wav.getnchannels() #获取声道数#print("{}声道数为：{}".format(audioname,num_channel))framerate = wav.getframerate() # 获取帧率#print("{}帧率为：{}".format(audioname,framerate))num_sample_width = wav.getsampwidth() #获取每一帧的比特宽度#print("{}比特宽度为：{}".format(audioname,num_sample_width))str_data = wav.readframes(num_frame) # 读取全部的帧(二进制字符串)wav.close() # 关闭流wave_data = np.fromstring(str_data,dtype=np.short) # 将声音文件数据从字符串格式转换为数组矩阵形式# print("{} shape: {}".format("wave_data",wave_data.shape))# print("{} type: {}".format("wave_data",wave_data.dtype))# print("{}: {}".format("wave_data",wave_data))wave_data.shape = -1, num_channel #按照声道数将数组整形，单声道是一列，双声道是两列矩阵# print("{} shape(整形后): {}".format("wave_data",wave_data.shape))# print("{}(整形后): {}".format("wave_data",wave_data))wave_data = wave_data.T # 将wave_data矩阵转置# print("{} shape(转置后)：{}".format("wave_data",wave_data.shape))# print("{}(转置后)：{}".format("wave_data",wave_data))# print("{} len:{}".format("wave_data[0]",len(wave_data[0])))return wave_data, framerate
x = np.linspace(0, 400 - 1, 400, dtype = np.int64)
w = 0.54 - 0.46 * np.cos(2 * np.pi * (x) / (400 - 1) ) # 汉明窗def GetFrequencyFeature(wavsignal, fs):""":param wavsignal:音频矩阵 例：[[1507 1374 1218 ...  -78 -127  -43]]:param fs:帧率 例：16000:return data_input：转成频域后的音频矩阵"""# wav波形 加时间窗以及时移10mstime_window = 25  # 单位mswindow_length = fs / 1000 * time_window  # 计算窗长度的公式，目前全部为400固定值wav_arr = np.array(wavsignal)  # wav_arr:[[1507 1374 1218 ...  -78 -127  -43]]wav_length = wav_arr.shape[1]  # wav_arr.shape[0]:1,wav_arr.shape[1]:163000range0_end = int(len(wavsignal[0]) / fs * 1000 - time_window) // 10  # 计算循环终止的位置，也就是最终生成的窗数data_input = np.zeros((range0_end, 200), dtype=np.float)  # 用于存放最终的频率特征数据data_line = np.zeros((1, 400), dtype=np.float)for i in range(0, range0_end):p_start = i * 160  # 0,160,320,480p_end = p_start + 400  # 400,560,720,880data_line = wav_arr[0, p_start:p_end]  # 分帧data_line = data_line * w  # 加窗(这里是汉明窗)data_line = np.abs(fft(data_line)) / wav_length  # 傅里叶变换data_input[i] = data_line[0:200]  # 设置为400除以2的值（即200）是取一半数据，因为是对称的data_input = np.log(data_input + 1)  # 取logreturn data_inputif(__name__=='__main__'):wave_data, fs = read_wav_data("D:\\GitHub\\wav\\dae\\train\\A2_1.wav")print("wave_data:{}".format(wave_data))freimg = GetFrequencyFeature(wave_data, fs)print("freimg:{}".format(freimg))print("freimg shape:{}".format(freimg.shape))

三.程序输出：

wave_data:[[1507 1374 1218 … -78 -127 -43]]
freimg:
[[2.42781686e-01 3.74806474e-01 1.57395831e-01 … 2.44499564e-03 3.97955672e-03 2.58199104e-03]
[4.53051376e-01 5.93472204e-01 2.75825723e-01 … 4.04953736e-03 2.93284484e-03 2.91292203e-03]
[7.36420845e-01 5.12987026e-01 3.08367617e-01 … 3.05346426e-03 1.78931565e-03 1.43100353e-03]
…
[2.66626609e-02 1.66521460e-01 1.30265491e-01 … 3.11282926e-04 1.49347950e-03 2.64074732e-03]
[3.03173655e-01 2.10056810e-01 5.29090247e-02 … 2.23561051e-03 1.90130764e-03 2.44626778e-03]
[2.42738928e-01 4.61532521e-02 1.34021807e-01 … 7.12491485e-04 8.06380446e-04 1.50869641e-03]]
freimg shape:(1016, 200)

这篇关于ASR-语音预处理（二）：时域转频域的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---