目錄一、概述二、加噪2.1、第一種：控制噪聲因子2.2、第二種：控制信噪比三、加混響3.1、方法一：Pyroomacoustics實(shí)現(xiàn)音頻加混響3.2、方法二：Image Source Method 算法講解四、生成指定SER的混響五、波形位移六、波形拉伸七、音高修正（Pitch Shifting）一、概述

音頻時(shí)域波形具有以下特征：音調(diào)，響度，質(zhì)量。我們?cè)谶M(jìn)行數(shù)據(jù)增強(qiáng)時(shí)，最好只做一些小改動(dòng)，使得增強(qiáng)數(shù)據(jù)和源數(shù)據(jù)存在較小差異即可，切記不能改變?cè)袛?shù)據(jù)的結(jié)構(gòu)，不然將產(chǎn)生“臟數(shù)據(jù)”，通過對(duì)音頻數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)，能有助于我們的模型避免過度擬合并變得更加通用。

我發(fā)現(xiàn)對(duì)聲波的以下改變是有用的：Noise addition（增加噪音）、Add reverb（增加混響）、Time shifting（時(shí)移）、Pitch shifting（改變音調(diào)）和Time stretching（時(shí)間拉伸）。

本章需要使用的python庫：

matplotlib：繪制圖像 librosa：音頻數(shù)據(jù)處理 numpy：矩陣數(shù)據(jù)處理

使用先畫出原始語音數(shù)據(jù)的語譜圖和波形圖

import librosaimport numpy as npimport matplotlib.pyplot as pltplt.rcParams[’font.sans-serif’] = [’SimHei’] # 用來正常顯示中文標(biāo)簽plt.rcParams[’axes.unicode_minus’] = False # 用來正常顯示符號(hào)fs = 16000wav_data, _ = librosa.load('./p225_001.wav', sr=fs, mono=True)# ########### 畫圖plt.subplot(2, 2, 1)plt.title('語譜圖', fontsize=15)plt.specgram(wav_data, Fs=16000, scale_by_freq=True, sides=’default’, cmap='jet')plt.xlabel(’秒/s’, fontsize=15)plt.ylabel(’頻率/Hz’, fontsize=15)plt.subplot(2, 2, 2)plt.title('波形圖', fontsize=15)time = np.arange(0, len(wav_data)) * (1.0 / fs)plt.plot(time, wav_data)plt.xlabel(’秒/s’, fontsize=15)plt.ylabel(’振幅’, fontsize=15)plt.tight_layout()plt.show()

二、加噪

添加的噪聲為均值為0，標(biāo)準(zhǔn)差為1的高斯白噪聲，有兩種方法對(duì)數(shù)據(jù)進(jìn)行加噪

2.1、第一種：控制噪聲因子

def add_noise1(x, w=0.004): # w：噪聲因子 output = x + w * np.random.normal(loc=0, scale=1, size=len(x)) return outputAugmentation = add_noise1(x=wav_data, w=0.004)

2.2、第二種：控制信噪比

通過信噪比的公式推導(dǎo)出噪聲。

def add_noise2(x, snr): # snr：生成的語音信噪比 P_signal = np.sum(abs(x) ** 2) / len(x) # 信號(hào)功率 P_noise = P_signal / 10 ** (snr / 10.0) # 噪聲功率 return x + np.random.randn(len(x)) * np.sqrt(P_noise)Augmentation = add_noise2(x=wav_data, snr=50)

三、加混響

我這里使用的是Image Source Method（鏡像源方法）來實(shí)現(xiàn)語音加混響，我想用兩種方法來給大家實(shí)現(xiàn)，第一種是直接調(diào)用python庫——Pyroomacoustics來實(shí)現(xiàn)音頻加混響，第二種就是按照公式推導(dǎo)一步一步來實(shí)現(xiàn)，兩種效果一樣，想看細(xì)節(jié)的可以參考第二種方法，只想開始實(shí)現(xiàn)效果的可以只看第一種方法：

3.1、方法一：Pyroomacoustics實(shí)現(xiàn)音頻加混響

首先需要安裝Pyroomacoustics，這個(gè)庫非常強(qiáng)大，感興趣也可以多看看其他API接口

pip install  Pyroomacoustics

步驟：

1.創(chuàng)建房間（定義房間大小、所需的混響時(shí)間、墻面材料、允許的最大反射次數(shù)、）

2.在房間內(nèi)創(chuàng)建信號(hào)源

3.在房間內(nèi)放置麥克風(fēng)

4.創(chuàng)建房間沖擊響應(yīng)

5.模擬聲音傳播

# -*- coding:utf-8 -*-import pyroomacoustics as praimport numpy as npimport matplotlib.pyplot as pltimport librosa# 1、創(chuàng)建房間# 所需的混響時(shí)間和房間的尺寸rt60_tgt = 0.5 # 所需的混響時(shí)間，秒room_dim = [9, 7.5, 3.5] # 我們定義了一個(gè)9m x 7.5m x 3.5m的房間，米# 我們可以使用Sabine’s公式來計(jì)算壁面能量吸收和達(dá)到預(yù)期混響時(shí)間所需的ISM的最大階數(shù)(RT60，即RIR衰減60分貝所需的時(shí)間)e_absorption, max_order = pra.inverse_sabine(rt60_tgt, room_dim) # 返回 墻壁吸收的能量 和 允許的反射次數(shù)# 我們還可以自定義 墻壁材料 和 最大反射次數(shù)# m = pra.Material(energy_absorption='hard_surface') # 定義 墻的材料，我們還可以定義不同墻面的的材料# max_order = 3room = pra.ShoeBox(room_dim, fs=16000, materials=pra.Material(e_absorption), max_order=max_order)# 在房間內(nèi)創(chuàng)建一個(gè)位于[2.5,3.73,1.76]的源，從0.3秒開始向仿真中發(fā)出wav文件的內(nèi)容audio, _ = librosa.load('speech.wav',sr=16000) # 導(dǎo)入一個(gè)單通道語音作為源信號(hào) source signalroom.add_source([2.5, 3.73, 1.76], signal=audio, delay=0.3)# 3、在房間放置麥克風(fēng)# 定義麥克風(fēng)的位置：(ndim, nmics) 即每個(gè)列包含一個(gè)麥克風(fēng)的坐標(biāo)# 在這里我們創(chuàng)建一個(gè)帶有兩個(gè)麥克風(fēng)的數(shù)組，# 分別位于[6.3,4.87,1.2]和[6.3,4.93,1.2]。mic_locs = np.c_[ [6.3, 4.87, 1.2], # mic 1 [6.3, 4.93, 1.2], # mic 2]room.add_microphone_array(mic_locs) # 最后將麥克風(fēng)陣列放在房間里# 4、創(chuàng)建房間沖擊響應(yīng)（Room Impulse Response）room.compute_rir()# 5、模擬聲音傳播，每個(gè)源的信號(hào)將與相應(yīng)的房間脈沖響應(yīng)進(jìn)行卷積。卷積的輸出將在麥克風(fēng)上求和。room.simulate()# 保存所有的信號(hào)到wav文件room.mic_array.to_wav('./guitar_16k_reverb_ISM.wav', norm=True, bitdepth=np.float32,)# 測(cè)量混響時(shí)間rt60 = room.measure_rt60()print('The desired RT60 was {}'.format(rt60_tgt))print('The measured RT60 is {}'.format(rt60[1, 0]))plt.figure()# 繪制其中一個(gè)RIR. both can also be plotted using room.plot_rir()rir_1_0 = room.rir[1][0] # 畫出 mic 1和 source 0 之間的 RIRplt.subplot(2, 1, 1)plt.plot(np.arange(len(rir_1_0)) / room.fs, rir_1_0)plt.title('The RIR from source 0 to mic 1')plt.xlabel('Time [s]')# 繪制 microphone 1 處接收到的信號(hào)plt.subplot(2, 1, 2)plt.plot(np.arange(len(room.mic_array.signals[1, :])) / room.fs, room.mic_array.signals[1, :])plt.title('Microphone 1 signal')plt.xlabel('Time [s]')plt.tight_layout()plt.show()

room = pra.ShoeBox( room_dim, fs=16000, materials=pra.Material(e_absorption), max_order=3, ray_tracing=True, air_absorption=True,)# 激活射線追蹤room.set_ray_tracing()

room.simulate(reference_mic=0, snr=10) # 控制信噪比

3.2、方法二：Image Source Method 算法講解

從這里要講算法和原理了，

代碼參考：matlab版本：RIR-Generator，python版本：rir-generator

鏡像源法簡(jiǎn)介：

將反射面等效為一個(gè)虛像，或者說鏡像。比如說，在一個(gè)開放空間里有一面平整墻面，那么一個(gè)聲源可以等效為2兩個(gè)聲源；一個(gè)開放空間里有兩面垂直的平整墻面，那么一個(gè)聲源可以等效為4個(gè)；同理三面的話是8個(gè)。原理上就是這樣，但是封閉的三維空間里情況有那么點(diǎn)復(fù)雜，

一般來說，家里的空房間可以一定程度上近似為矩形盒子，假設(shè)房間尺寸為：

元素大小分別代表長寬高，而聲源的三維坐標(biāo)為

麥克風(fēng)的三維坐標(biāo)為

鏡像聲源$(i,j,k)$到麥克風(fēng)距離在三個(gè)坐標(biāo)軸上的位置為

那么聲源$(i,j,k)$距離麥克風(fēng)的距離為

相對(duì)于直達(dá)聲的到達(dá)延遲時(shí)間為

其中$c$為聲速，$r$為聲源到麥克風(fēng)的直線距離。那么，混響效果等效為不同延遲的信號(hào)的疊加，即混響效果可以表示為一個(gè)FIR濾波器與信號(hào)源卷積的形式，此濾波器可寫為如下形式

濾波器的抽頭系數(shù)與鏡面的反射系數(shù)與距離相關(guān)，如果每個(gè)面的反射系數(shù)不同則形式略復(fù)雜。詳細(xì)代碼還是要看RIR-Generator，我這里只做拋轉(zhuǎn)引玉，寫一個(gè)最簡(jiǎn)單的。

模擬鏡像源：

房間尺寸(m)：4 X 4 X 3

聲源坐標(biāo)(m)：2 X 2 X 0

麥克風(fēng)坐標(biāo)(m)：2 X 2 X 1.5

混響時(shí)間(s)：0.2

RIR長度：512

clc;clear;c = 340; % 聲速 (m/s)fs = 16000; % Sample frequency (samples/s)r = [2 2 1.5]; % 麥克風(fēng)位置 [x y z] (m)s = [2 2 0]; % 揚(yáng)聲器位置 [x y z] (m)L = [4 4 3];% 房間大小 [x y z] (m)beta = 0.2; % 混響時(shí)間 (s)n = 512; % RIR長度h = rir_generator(c, fs, r, s, L, beta, n);disp(size(h)) % (1,4096)[speech, fs] = audioread('./test_wav/p225_001.wav');disp(size(speech)); % (46797,1)y = conv(speech’, h);disp(length(y))% 開始畫圖figure(’color’,’w’); % 背景色設(shè)置成白色subplot(3,1,1)plot(h)title('房間沖擊響應(yīng) RIR','FontSize',14)subplot(3,2,3)plot(speech)title('原語音波形','FontSize',14)subplot(3,2,4)plot(y)title('加混響語音波形','FontSize',14)subplot(3,2,5)specgram(speech,512,fs,512,256);title('原語音頻譜','FontSize',14)subplot(3,2,6)specgram(y,512,fs,512,256);title('加混響語音頻譜','FontSize',14)audiowrite('./test_wav/matlab_p225_001_reverber.wav',y,fs)

四、生成指定SER的混響

SER的公式為

其中E是統(tǒng)計(jì) 期望操作，$s(n)$是近端語音，$d(n)$是遠(yuǎn)端回聲，

由于我們需要根據(jù)指定的SER求混響信號(hào)，并且近端語音和遠(yuǎn)端混響都是已知的，我們只需要求得一個(gè)系數(shù)，來調(diào)整回聲信號(hào)的能量大小，與遠(yuǎn)端混響相乘即可得我們想要的混響語音，即調(diào)整后的回聲信號(hào)為$kd(n)$

根據(jù)以上公式，可以推導(dǎo)出$k$的值

最終$kd(n)$即我們所求的指定SER的混響。

def add_echo_ser(near_speech, far_echo, SER): '''根據(jù)指定的SER求回聲 :param near_speech: 近端語音 :param far_echo: 遠(yuǎn)端回聲 :param SER: 指定的SER :return: 指定SER的回聲 ''' p_near_speech = np.mean(near_speech ** 2) # 近端語音功率 p_far_echo = np.mean(far_echo ** 2) # 遠(yuǎn)端回聲功率 k = np.sqrt(p_near_speech / (10 ** (SER / 10)) / p_far_echo) return k * far_echo

五、波形位移

語音波形移動(dòng)使用numpy.roll函數(shù)向右移動(dòng)shift距離

numpy.roll(a,shift,axis=None)

參數(shù)：

a：數(shù)組 shift：滾動(dòng)的長度 axis：滾動(dòng)的維度。0為垂直滾動(dòng)，1為水平滾動(dòng)，參數(shù)為None時(shí)，會(huì)先將數(shù)組扁平化，進(jìn)行滾動(dòng)操作后，恢復(fù)原始形狀

x = np.arange(10)# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])print(np.roll(x, 2))# array([8, 9, 0, 1, 2, 3, 4, 5, 6, 7])

波形位移函數(shù)：

def time_shift(x, shift): # shift：移動(dòng)的長度 return np.roll(x, int(shift))Augmentation = time_shift(wav_data, shift=fs//2)

六、波形拉伸

在不影響音高的情況下改變聲音的速度 / 持續(xù)時(shí)間。這可以使用librosa的time_stretch函數(shù)來實(shí)現(xiàn)。

def time_stretch(x, rate): # rate：拉伸的尺寸， # rate > 1 加快速度 # rate < 1 放慢速度 return librosa.effects.time_stretch(x, rate)Augmentation = time_stretch(wav_data, rate=2)

七、音高修正（Pitch Shifting）

音高修正只改變音高而不影響音速，我發(fā)現(xiàn)-5到5之間的步數(shù)更合適

def pitch_shifting(x, sr, n_steps, bins_per_octave=12): # sr: 音頻采樣率 # n_steps: 要移動(dòng)多少步 # bins_per_octave: 每個(gè)八度音階(半音)多少步 return librosa.effects.pitch_shift(x, sr, n_steps, bins_per_octave=bins_per_octave)# 向上移三音（如果bins_per_octave為12，則六步）Augmentation = pitch_shifting(wav_data, sr=fs, n_steps=6, bins_per_octave=12)# 向上移三音（如果bins_per_octave為24，則3步）Augmentation = pitch_shifting(wav_data, sr=fs, n_steps=3, bins_per_octave=24)# 向下移三音（如果bins_per_octave為12，則六步）Augmentation = pitch_shifting(wav_data, sr=fs, n_steps=-6, bins_per_octave=12)

還有寫沒有跑通，但是總感覺有些價(jià)值的代碼，記錄在這里：

py-RIR-Generator（沒跑通的原因是我是window系統(tǒng)）gpuRIR（這個(gè)我跑通了，但是需要較大的計(jì)算資源）去github找代碼的時(shí)候，不一定要搜索“回聲”，“混響”，也可以通過搜索'RIR'同樣可以得到想要的結(jié)果

本文畫圖代碼：

# Author:凌逆戰(zhàn)# -*- coding:utf-8 -*-import matplotlib.pyplot as pltimport librosaimport numpy as npplt.rcParams[’font.sans-serif’]=[’SimHei’] #用來正常顯示中文標(biāo)簽plt.rcParams[’axes.unicode_minus’]=False #用來正常顯示符號(hào)y1, _ = librosa.load('./speech.wav', sr=16000)y2, _ = librosa.load('./guitar_16k_reverb_ISM.wav', sr=16000)plt.subplot(2, 2, 1)plt.specgram(y1, Fs=16000, scale_by_freq=True, sides=’default’, cmap='jet')plt.title('語譜圖', fontsize=13)plt.xlabel(’時(shí)間/s’, fontsize=13)plt.ylabel(’頻率/Hz’, fontsize=13)plt.subplot(2, 2, 2)plt.plot(np.arange(len(y1)) / 16000, y1)plt.title('波形圖', fontsize=13)plt.xlabel(’時(shí)間/s’, fontsize=13)plt.ylabel(’振幅’, fontsize=13)plt.subplot(2, 2, 3)plt.specgram(y2, Fs=16000, scale_by_freq=True, sides=’default’, cmap='jet')plt.title('語譜圖(加混響)', fontsize=13)plt.xlabel(’時(shí)間/s’, fontsize=13)plt.ylabel(’頻率/Hz’, fontsize=13)plt.subplot(2, 2, 4)plt.plot(np.arange(len(y2)) / 16000, y2)plt.title('波形圖(加混響)', fontsize=13)plt.xlabel(’時(shí)間/s’, fontsize=13)plt.ylabel(’振幅’, fontsize=13)plt.tight_layout()plt.show()

以上就是分析語音數(shù)據(jù)增強(qiáng)及python實(shí)現(xiàn)的詳細(xì)內(nèi)容，更多關(guān)于語音數(shù)據(jù)增強(qiáng) python實(shí)現(xiàn)的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章！