如何用python實現語音數據增強

這篇文章主要講解了“如何用python實現語音數據增強”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“如何用python實現語音數據增強”吧！

一、概述

音頻時域波形具有以下特征：音調，響度，質量。我們在進行數據增強時，最好只做一些小改動，使得增強數據和源數據存在較小差異即可，切記不能改變原有數據的結構，不然將產生“臟數據”，通過對音頻數據進行數據增強，能有助于我們的模型避免過度擬合并變得更加通用。

我發現對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（時移）、Pitch shifting（改變音調）和Time stretching（時間拉伸）。

本章需要使用的python庫：

• matplotlib：繪制圖像

• librosa：音頻數據處理

• numpy：矩陣數據處理

使用先畫出原始語音數據的語譜圖和波形圖

import librosa
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用來正常顯示中文標簽
plt.rcParams['axes.unicode_minus'] = False  # 用來正常顯示符號
fs = 16000

wav_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，標準差為1的高斯白噪聲，有兩種方法對數據進行加噪

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 output

Augmentation = 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）來實現語音加混響，我想用兩種方法來給大家實現，第一種是直接調用python庫——Pyroomacoustics來實現音頻加混響，第二種就是按照公式推導一步一步來實現，兩種效果一樣，想看細節的可以參考第二種方法，只想開始實現效果的可以只看第一種方法：

3.1、方法一：Pyroomacoustics實現音頻加混響

首先需要安裝Pyroomacoustics，這個庫非常強大，感興趣也可以多看看其他API接口

pip install  Pyroomacoustics

步驟：

1.創建房間（定義房間大小、所需的混響時間、墻面材料、允許的最大反射次數、）

2.在房間內創建信號源

3.在房間內放置麥克風

4.創建房間沖擊響應

5.模擬聲音傳播

# -*- coding:utf-8 -*-
import pyroomacoustics as pra
import numpy as np
import matplotlib.pyplot as plt
import librosa

# 1、創建房間
# 所需的混響時間和房間的尺寸
rt60_tgt = 0.5  # 所需的混響時間，秒
room_dim = [9, 7.5, 3.5]  # 我們定義了一個9m x 7.5m x 3.5m的房間，米

# 我們可以使用Sabine's公式來計算壁面能量吸收和達到預期混響時間所需的ISM的最大階數(RT60，即RIR衰減60分貝所需的時間)
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
# 我們還可以自定義 墻壁材料 和 最大反射次數
# 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 = 3

room = pra.ShoeBox(room_dim, fs=16000, materials=pra.Material(e_absorption), max_order=max_order)

# 在房間內創建一個位于[2.5,3.73,1.76]的源，從0.3秒開始向仿真中發出wav文件的內容
audio, _ = librosa.load("speech.wav",sr=16000)  # 導入一個單通道語音作為源信號 source signal
room.add_source([2.5, 3.73, 1.76], signal=audio, delay=0.3)

# 3、在房間放置麥克風
# 定義麥克風的位置：(ndim, nmics) 即每個列包含一個麥克風的坐標
# 在這里我們創建一個帶有兩個麥克風的數組，
# 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)     # 最后將麥克風陣列放在房間里

# 4、創建房間沖擊響應（Room Impulse Response）
room.compute_rir()

# 5、模擬聲音傳播，每個源的信號將與相應的房間脈沖響應進行卷積。卷積的輸出將在麥克風上求和。
room.simulate()

# 保存所有的信號到wav文件
room.mic_array.to_wav("./guitar_16k_reverb_ISM.wav", norm=True, bitdepth=np.float32,)

# 測量混響時間
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 RIR
plt.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
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

鏡像源法簡介：

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

一般來說，家里的空房間可以一定程度上近似為矩形盒子，假設房間尺寸為：

元素大小分別代表長寬高，而聲源的三維坐標為

麥克風的三維坐標為

鏡像聲源$(i,j,k)$到麥克風距離在三個坐標軸上的位置為

那么聲源$(i,j,k)$距離麥克風的距離為

相對于直達聲的到達延遲時間為

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

濾波器的抽頭系數與鏡面的反射系數與距離相關，如果每個面的反射系數不同則形式略復雜。詳細代碼還是要看RIR-Generator，我這里只做拋轉引玉，寫一個最簡單的。

模擬鏡像源：

房間尺寸(m)：4 X 4 X 3

聲源坐標(m)：2 X 2 X 0

麥克風坐標(m)：2 X 2 X 1.5

混響時間(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];              % 麥克風位置 [x y z] (m)
s = [2 2 0];              % 揚聲器位置 [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');    % 背景色設置成白色
subplot(3,1,1)
plot(h)
title("房間沖擊響應 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是統計 期望操作，$s(n)$是近端語音，$d(n)$是遠端回聲，

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

根據以上公式，可以推導出$k$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):
    """根據指定的SER求回聲
    :param near_speech: 近端語音
    :param far_echo: 遠端回聲
    :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

語音波形移動使用numpy.roll函數向右移動shift距離

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

參數：

• a：數組

• shift：滾動的長度

• axis：滾動的維度。0為垂直滾動，1為水平滾動，參數為None時，會先將數組扁平化，進行滾動操作后，恢復原始形狀

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：

def time_shift(x, shift):
    # shift：移動的長度
    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 / 持續時間。這可以使用librosa的time_stretch函數來實現。

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，我發現-5到5之間的步數更合適

def pitch_shifting(x, sr, n_steps, bins_per_octave=12):
    # sr: 音頻采樣率
    # n_steps: 要移動多少步
    # bins_per_octave: 每個八度音階(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，但是總感覺有些價值的代碼，記錄在這里：

py-RIR-Generator（沒跑通的原因是我是window系統）gpuRIR（這個我跑通了，但是需要較大的計算資源）去github找代碼的時候，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果

本文畫圖代碼：

# Author:凌逆戰
# -*- coding:utf-8 -*-
import matplotlib.pyplot as plt
import librosa
import numpy as np

plt.rcParams['font.sans-serif']=['SimHei'] #用來正常顯示中文標簽
plt.rcParams['axes.unicode_minus']=False #用來正常顯示符號


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('時間/s', fontsize=13)
plt.ylabel('振幅', fontsize=13)

plt.tight_layout()
plt.show()

感謝各位的閱讀，以上就是“如何用python實現語音數據增強”的內容了，經過本文的學習后，相信大家對如何用python實現語音數據增強這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！