詳解python的webrtc庫實現(xiàn)語音端點檢測
引言
語音端點檢測最早應(yīng)用于電話傳輸和檢測系統(tǒng)當中,用于通信信道的時間分配,提高傳輸線路的利用效率.端點檢測屬于語音處理系統(tǒng)的前端操作,在語音檢測領(lǐng)域意義重大.
但是目前的語音端點檢測,尤其是檢測 人聲 開始和結(jié)束的端點始終是屬于技術(shù)難點,各家公司始終處于 能判斷,但是不敢保證 判別準確性 的階段.
現(xiàn)在基于云端語義庫的聊天機器人層出不窮,其中最著名的當屬amazon的 Alexa/Echo 智能音箱.
國內(nèi)如雨后春筍般出現(xiàn)了各種搭載語音聊天的智能音箱(如前幾天在知乎上廣告的若琪機器人)和各類智能機器人產(chǎn)品.國內(nèi)語音服務(wù)提供商主要面對中文語音服務(wù),由于語音不像圖像有分辨率等等較為客觀的指標,很多時候憑主觀判斷,所以較難判斷各家語音識別和合成技術(shù)的好壞.但是我個人認為,國內(nèi)的中文語音服務(wù)和國外的英文語音服務(wù),在某些方面已經(jīng)有超越的趨勢.
通常搭建機器人聊天系統(tǒng)主要包括以下三個方面:
- 語音轉(zhuǎn)文字(ASR/STT)
- 語義內(nèi)容(NLU/NLP)
- 文字轉(zhuǎn)語音(TTS)
語音轉(zhuǎn)文字(ASR/STT)
在將語音傳給云端API之前,是本地前端的語音采集,這部分主要包括如下幾個方面:
- 麥克風降噪
- 聲源定位
- 回聲消除
- 喚醒詞
- 語音端點檢測
- 音頻格式壓縮
python 端點檢測
由于實際應(yīng)用中,單純依靠能量檢測特征檢測等方法很難判斷人聲說話的起始點,所以市面上大多數(shù)的語音產(chǎn)品都是使用喚醒詞判斷語音起始.另外加上聲音回路,還可以做語音打斷.這樣的交互方式可能有些傻,每次必須喊一下 喚醒詞 才能繼續(xù)聊天.這種方式聊多了,個人感覺會嘴巴疼:-O .現(xiàn)在github上有snowboy喚醒詞的開源庫,大家可以登錄snowboy官網(wǎng)訓練自己的喚醒詞模型.
考慮到用喚醒詞嘴巴會累,所以大致調(diào)研了一下,Python擁有豐富的庫,直接import就能食用.這種方式容易受強噪聲干擾,適合一個人在家玩玩.
- pyaudio: pip install pyaudio 可以從設(shè)備節(jié)點讀取原始音頻流數(shù)據(jù),音頻編碼是PCM格式;
- webrtcvad: pip install webrtcvad 檢測判斷一組語音數(shù)據(jù)是否為空語音;
當檢測到持續(xù)時間長度 T1 vad檢測都有語音活動,可以判定為語音起始;
當檢測到持續(xù)時間長度 T2 vad檢測都沒有有語音活動,可以判定為語音結(jié)束;
完整程序代碼可以從我的github下載
程序很簡單,相信看一會兒就明白了
''' Requirements: + pyaudio - `pip install pyaudio` + py-webrtcvad - `pip install webrtcvad` ''' import webrtcvad import collections import sys import signal import pyaudio from array import array from struct import pack import wave import time FORMAT = pyaudio.paInt16 CHANNELS = 1 RATE = 16000 CHUNK_DURATION_MS = 30 # supports 10, 20 and 30 (ms) PADDING_DURATION_MS = 1500 # 1 sec jugement CHUNK_SIZE = int(RATE CHUNK_DURATION_MS / 1000) # chunk to read CHUNK_BYTES = CHUNK_SIZE 2 # 16bit = 2 bytes, PCM NUM_PADDING_CHUNKS = int(PADDING_DURATION_MS / CHUNK_DURATION_MS) # NUM_WINDOW_CHUNKS = int(240 / CHUNK_DURATION_MS) NUM_WINDOW_CHUNKS = int(400 / CHUNK_DURATION_MS) # 400 ms/ 30ms ge NUM_WINDOW_CHUNKS_END = NUM_WINDOW_CHUNKS 2 START_OFFSET = int(NUM_WINDOW_CHUNKS CHUNK_DURATION_MS 0.5 RATE) vad = webrtcvad.Vad(1) pa = pyaudio.PyAudio() stream = pa.open(format=FORMAT, channels=CHANNELS, rate=RATE, input=True, start=False, # input_device_index=2, frames_per_buffer=CHUNK_SIZE) got_a_sentence = False leave = False def handle_int(sig, chunk): global leave, got_a_sentence leave = True got_a_sentence = True def record_to_file(path, data, sample_width): "Records from the microphone and outputs the resulting data to 'path'" # sample_width, data = record() data = pack('<' + ('h' len(data)), data) wf = wave.open(path, 'wb') wf.setnchannels(1) wf.setsampwidth(sample_width) wf.setframerate(RATE) wf.writeframes(data) wf.close() def normalize(snd_data): "Average the volume out" MAXIMUM = 32767 # 16384 times = float(MAXIMUM) / max(abs(i) for i in snd_data) r = array('h') for i in snd_data: r.append(int(i times)) return r signal.signal(signal.SIGINT, handle_int) while not leave: ring_buffer = collections.deque(maxlen=NUM_PADDING_CHUNKS) triggered = False voiced_frames = [] ring_buffer_flags = [0] NUM_WINDOW_CHUNKS ring_buffer_index = 0 ring_buffer_flags_end = [0] NUM_WINDOW_CHUNKS_END ring_buffer_index_end = 0 buffer_in = '' # WangS raw_data = array('h') index = 0 start_point = 0 StartTime = time.time() print(" recording: ") stream.start_stream() while not got_a_sentence and not leave: chunk = stream.read(CHUNK_SIZE) # add WangS raw_data.extend(array('h', chunk)) index += CHUNK_SIZE TimeUse = time.time() - StartTime active = vad.is_speech(chunk, RATE) sys.stdout.write('1' if active else '_') ring_buffer_flags[ring_buffer_index] = 1 if active else 0 ring_buffer_index += 1 ring_buffer_index %= NUM_WINDOW_CHUNKS ring_buffer_flags_end[ring_buffer_index_end] = 1 if active else 0 ring_buffer_index_end += 1 ring_buffer_index_end %= NUM_WINDOW_CHUNKS_END # start point detection if not triggered: ring_buffer.append(chunk) num_voiced = sum(ring_buffer_flags) if num_voiced > 0.8 NUM_WINDOW_CHUNKS: sys.stdout.write(' Open ') triggered = True start_point = index - CHUNK_SIZE 20 # start point # voiced_frames.extend(ring_buffer) ring_buffer.clear() # end point detection else: # voiced_frames.append(chunk) ring_buffer.append(chunk) num_unvoiced = NUM_WINDOW_CHUNKS_END - sum(ring_buffer_flags_end) if num_unvoiced > 0.90 NUM_WINDOW_CHUNKS_END or TimeUse > 10: sys.stdout.write(' Close ') triggered = False got_a_sentence = True sys.stdout.flush() sys.stdout.write('\n') # data = b''.join(voiced_frames) stream.stop_stream() print(" done recording") got_a_sentence = False # write to file raw_data.reverse() for index in range(start_point): raw_data.pop() raw_data.reverse() raw_data = normalize(raw_data) record_to_file("recording.wav", raw_data, 2) leave = True stream.close()
程序運行方式sudo python vad.py
以上就是本文的全部內(nèi)容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
pyTorch深入學習梯度和Linear Regression實現(xiàn)
這篇文章主要介紹了pyTorch深入學習,實現(xiàn)梯度和Linear Regression,文中呈現(xiàn)了詳細的示例代碼,有需要的朋友可以借鑒參考下,希望能夠有所幫助2021-09-09Python在終端通過pip安裝好包以后在Pycharm中依然無法使用的問題(三種解決方案)
這篇文章主要介紹了Python在終端通過pip安裝好包以后在Pycharm中依然無法使用的問題及解決方法,本文給大家介紹的非常詳細,對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-03-03Django數(shù)據(jù)結(jié)果集序列化并展示實現(xiàn)過程
這篇文章主要介紹了Django數(shù)據(jù)結(jié)果集序列化并展示實現(xiàn)過程,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-04-04pycharm配置SSH遠程連接服務(wù)器詳細步驟(0基礎(chǔ)詳細版)
PyCharm是一款流行的Python集成開發(fā)環(huán)境(IDE),提供了遠程連接云服務(wù)器的功能,使得開發(fā)者可以更加便捷地進行遠程開發(fā)和調(diào)試,這篇文章主要給大家介紹了關(guān)于pycharm配置SSH遠程連接服務(wù)器的詳細步驟,需要的朋友可以參考下2024-07-07Python cookbook(數(shù)據(jù)結(jié)構(gòu)與算法)將多個映射合并為單個映射的方法
這篇文章主要介紹了Python cookbook(數(shù)據(jù)結(jié)構(gòu)與算法)將多個映射合并為單個映射的方法,結(jié)合實例形式分析了Python字典映射合并操作相關(guān)實現(xiàn)技巧,需要的朋友可以參考下2018-04-04詳談Python 窗體(tkinter)表格數(shù)據(jù)(Treeview)
今天小編就為大家分享一篇詳談Python 窗體(tkinter)表格數(shù)據(jù)(Treeview),具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2018-10-10pandas中DataFrame排序及分組排序的實現(xiàn)示例
本文主要介紹了pandas中DataFrame排序及分組排序,pandas中的sort_values()函數(shù)原理類似于SQL中的order by,可以將數(shù)據(jù)集依照某個字段中的數(shù)據(jù)進行排序,下面就來具體介紹一下,感興趣的可以了解一下2024-04-04