1、原来的方案:
(1)采用MFCC(梅尔倒谱)作为音频的特征
(2)采用DTW算法计算两段音频的距离,然后根据距离判断这两个音频是否是同一个音
方案的问题:经过实际数据验证,发现不同人读相同内容,计算出的距离会比较大。可能是因为我们对于MFCC每个维度的特征是同等对待的,有些特征可能是跟发音人者的音色相关度比较大,跟内容相关度小。
2、优化的方案:
根据之前的猜测,我们假设对于某个音节,可能有几个维度的特征跟其他音节差别特别大,我们需要找到这几个特征。基于这个假设,我们采用穷举法从13个特征中找到最能区分音节的特征组合。
代码如下:
# -*- coding: utf-8 -*- import os import numpy as np from scikits.audiolab import wavread import scikits.talkbox import fastdtw from scikits.talkbox import features from scikits.talkbox.features import mfcc weight=[0,1,1,1,1,1,1,1,1,1,1,1,1] fdict={} def getfeature(x): if(fdict.has_key(x)): return fdict[x] else: data, fs, enc=wavread(x) temp=mfcc(data)[0] fdict[x]=temp return temp def mydist(a, b): i_dist=0 i_len=0 for i in range(13): if(weight[i]>0): i_dist=i_dist+abs(a[i]-b[i]) i_len=i_len+1 return i_dist/i_len def dist(mf1, mf2): re=fastdtw.fastdtw(mf1, mf2, 1, mydist)[0] return re def calcsimilar(x, y): fx=getfeature(x) fy=getfeature(y) d = dist(fx, fy) return d # 获取指定路径下所有指定后缀的文件 # dir 指定路径 # ext 指定后缀,链表&不需要带点 或者不指定。例子:['xml', 'java'] def GetFileFromThisRootDir(rootdir,filelist): for i in os.listdir(rootdir): filepath = os.path.join(rootdir,i) if os.path.isdir(filepath): GetFileFromThisRootDir(filepath, filelist) elif i.endswith('.wav') and os.path.exists(filepath): filelist.append(filepath) def calcfactor(path, name, template): ftemplate=getfeature(template) files=[] min_dist=999999 max_dist=0 GetFileFromThisRootDir(path, files) for filename in files: f=getfeature(filename) d=dist(f,ftemplate) if name+".wav" in filename: if(d>max_dist): max_dist=d else: if(d<min_dist): min_dist=d return (min_dist-max_dist)/max_dist def train(path, name, template): dist=-99999 re_i=-1 re_j=-1 re_m=-1 re_n=-1 for n in range(13): for m in range(13): for i in range(13): for j in range(13): for k in range(13): weight[k]=1 weight[i]=0 weight[j]=0 weight[m]=0 weight[n]=0 d=calcfactor(path, name, template) print d if(d>dist): dist=d re_i=i re_j=j re_m=m re_n=n return dist, re_i, re_j, re_m, re_n