基于深度学习的语音指令识别

这个示例使用:

打开脚本

此示例演示如何训练一个深度学习模型，该模型检测音频中是否存在语音命令。该示例使用语音命令数据集[1]训练卷积神经网络以识别给定的命令集。

要从头开始训练网络，必须首先下载数据集。如果您不想下载数据集或训练网络，那么您可以加载本示例提供的预先训练的网络，并执行示例的下两个部分:通过预先训练的网络识别命令和使用麦克风中的流音频检测命令．

通过预先训练的网络识别命令

在进入详细的训练过程之前，您将使用预先训练过的语音识别网络来识别语音命令。

加载预先训练的网络。

负载(“commandNet.mat”）

训练网络识别以下语音命令:

“是的”
“不”
“向上”
“向下”
“左”
“正确”
“上”
“关”
“停下来”
“走”

在有人说“停止”的地方加载一个简短的语音信号。

[x, fs] = audioread (“stop_command.flac”）;

听命令。

声音(x, fs)

预先训练的网络以基于听觉的谱图作为输入。首先将语音波形转换为基于听觉的声谱图。

使用函数extractAuditoryFeature来计算听觉谱图。在稍后的示例中，您将了解特征提取的细节。

auditorySpect=helperExtractAuditoryFeatures（x，fs）；

根据命令的声谱图对其进行分类。

命令=分类(trainedNet auditorySpect)

命令=分类停止

训练网络将不属于该集合的单词分类为“未知”。

现在您将对命令列表中没有包含的单词(“play”)进行分类以识别。

加载语音信号并收听它。

x=音频读取(“play_command.flac”）;声音(x, fs)

计算听觉谱图。

auditorySpect=helperExtractAuditoryFeatures（x，fs）；

对信号进行分类。

命令=分类(trainedNet auditorySpect)

命令=分类未知

训练网络将背景噪声分类为“背景”。

创建由随机噪声组成的1秒信号。

x = pinknoise (16 e3);

计算听觉谱图。

auditorySpect=helperExtractAuditoryFeatures（x，fs）；

对背景噪声进行分类。

命令=分类(trainedNet auditorySpect)

命令=分类背景

使用麦克风中的流音频检测命令

在麦克风的流音频上测试预先训练的命令检测网络。例如，试着说出其中一条命令，是的，不,或停止．然后，试着说出其中一个不认识的单词，比如马文，希拉，床上，房子，猫，鸟，或者从0到9的任何数字。

以Hz为单位指定分类速率，并创建一个音频设备阅读器，该阅读器可以从麦克风读取音频。

classificationRate = 20;adr = audioDeviceReader (“SampleRate”fs,“SamplesPerFrame”、地板(fs / classificationRate));

初始化音频缓冲区。提取网络的分类标签。为流音频的标签和分类概率初始化半秒的缓冲区。使用这些缓冲区来比较较长一段时间内的分类结果，并在检测到命令时构建“一致”。为决策逻辑指定阈值。

audioBuffer = dsp.AsyncBuffer (fs);. class标签= trainedNet.Layers(结束);YBuffer (1: classificationRate / 2) =分类(“背景”)；probBuffer=0（[numel（标签），classificationRate/2]）；countThreshold=ceil（classificationRate*0.2）；probThreshold=0.7；

只要创建的图形存在，就创建一个图形并检测命令。要无限期地运行循环，请设置时限来正．要停止活检测，只需关闭图形。

h =图(“单位”，“归一化”，“位置”，[0.2 0.1 0.6 0.8]);期限= 20;抽搐虽然句柄(h) && toc < timeLimit%从音频设备中提取音频样本并将样本添加到%的缓冲。x = adr ();写(audioBuffer x);fs, y =阅读(audioBuffer fs-adr.SamplesPerFrame);规范= helperExtractAuditoryFeatures (y, fs);%对当前光谱图进行分类，将标签保存到标签缓冲区，%并将预测的概率保存到概率缓冲区。[YPredicted,聚合氯化铝]=分类(trainedNet,规范,“ExecutionEnvironment”，“cpu”）;YBuffer = [YBuffer(2:结束),YPredicted);probBuffer = [probBuffer(:, 2:结束)、聚合氯化铝(:));%绘制电流波形和频谱图。次要情节(2,1,1)情节(y)轴紧Ylim ([-1,1]) subplot(2,1,2) pcolor(spec') caxis([-4 2.6445])底纹平现在通过执行一个非常简单的命令来进行实际的命令检测%的阈值操作。声明一个检测并将其显示在%数字标题，如果所有以下持有:1)最常见的标签%不是背景。2)至少countThreshold的最新帧%标签一致。3)预测标签的最大概率为at% probThreshold最少。否则，不要声明检测。[YMode，count]=mode（YBuffer）；maxProb=max（probBuffer（labels==YMode，：）；子批（2,1,1）如果YMode = =“背景”|| count < count threshold || maxprobb < probThreshold title(”“）其他的标题（字符串（YMode），“字形大小”,20)结束drawnow结束

加载语音命令数据集

这个例子使用谷歌语音命令数据集[1]。下载数据集并解压下载的文件。将PathToDatabase设置为数据的位置。

url =“https://ssd.mathworks.com/金宝appsupportfiles/audio/google_speech.zip”；downloadFolder = tempdir;dataFolder = fullfile (downloadFolder,“google_speech”）;如果~存在(dataFolder“dir”) disp ('正在下载数据集（1.4 GB）…'解压缩(url, downloadFolder)结束

创建培训数据存储

创建一个audioDatastore(音频工具箱)指向训练数据集。

广告= audioDatastore (fullfile (dataFolder,“火车”)，．..“包含子文件夹”符合事实的．..“FileExtensions”，“wav”，．..“标签源”，“foldernames”）

ads = audioDatastore与属性:文件:{'…\AppData\Local\Temp\google_speech\train\bed\00176480_nohash_0.wav';’……\ AppData \当地\ Temp \床google_speech \培训\ \ 004 ae714_nohash_0.wav;’……\ AppData \当地\ Temp \床google_speech \培训\ \ 004 ae714_nohash_1.wav……{'C:\Users\jibrahim\AppData\Local\Temp\google_speech\train'}标签:[bed;床上;床上……alteratefilesystemroots: {} OutputDataType: 'double' SupportedOutputFormats: ["wav金宝app" "flac" "ogg" "mp4" "m4a"] DefaultOutputFormat: "wav"

选择要识别的单词

指定您希望模型识别为命令的单词。将所有非命令的单词标记为未知的.将非命令的单词标记为未知的创建一组单词，它近似于除命令之外的所有单词的分布。网络使用这个组来学习命令和所有其他单词之间的区别。

为了减少已知和未知单词之间的类不平衡，加快处理速度，在训练集中只包含一部分未知单词。

使用子集(音频工具箱)创建只包含命令和未知单词子集的数据存储。计算属于每个类别的例子的数量。

命令=分类([“是的”，“不”，“向上”，“向下”，“左”，“正确”，“上”，“关”，“停下来”，“走”])；isCommand=ismember（ads.Labels，commands）；isUnknown=~isCommand；includeAction=0.2；mask=rand（numel（ads.Labels），1）“未知”）;adsTrain =子集(广告,isCommand | isUnknown);countEachLabel (adsTrain)

ans=11×2表格标签计数\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu

创建验证数据存储

创建一个audioDatastore(音频工具箱)指向验证数据集。按照创建培训数据存储所用的相同步骤操作。

广告= audioDatastore (fullfile (dataFolder,“验证”)，．..“包含子文件夹”符合事实的．..“FileExtensions”，“wav”，．..“标签源”，“foldernames”) isCommand = ismember(ads.Labels,commands);isUnknown = ~ isCommand;includeFraction = 0.2;mask = rand(numel(ads.Labels)，1) < includeFraction;isUnknown = isUnknown & mask;ads.Labels (isUnknown) =分类(“未知”）;adsValidation =子集(广告,isCommand | isUnknown);countEachLabel (adsValidation)

ads=audioDatastore，具有以下属性：文件：{'.\AppData\Local\Temp\google\u speech\validation\bed\026290a7\u nohash\u 0.wav'；'.'.\AppData\Local\Temp\google\u speech\validation\bed\060cd039\u nohash\u speech\validation\bed\060cd039\u nohash\u 1.wav'.'和6795其他}文件夹：{'C:\Users\jibrahim\AppData\Local\Temp\google_speech\validation'}标签：[bed；bed；bed…和6795更分类]AlternateFileSystemRoots:{}输出数据类型：'double'支持输出格式：[“wav”“flac”“ogg”“mp4”“m4a”]默认输出格式：“wav”ans=11×2表格标签计数\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu金宝appuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu

要用整个数据集训练网络，并达到尽可能高的精度，集合还原酶来假．要快速运行此示例，请设置还原酶来符合事实的．

reduceDataset = false;如果reduceDataset numUniqueLabels = nummel (unique(adsTrain.Labels));%将数据集减少20倍adsTrain = splitEachLabel(adsTrain,round(numel(adsTrain. files) / numUniqueLabels / 20));adsValidation = splitEachLabel(adsValidation,round(numel(adsValidation. files) / numUniqueLabels / 20));结束

计算听觉谱图

为了准备有效训练卷积神经网络的数据，将语音波形转换为基于听觉的谱图。

定义特征提取的参数。segmentDuration是每个语音片段的持续时间（以秒为单位）。帧持续时间是用于频谱计算的每个帧的持续时间。hopDuration为每个频谱之间的时间步长。numBands为听觉声谱图中过滤器的数量。

创建一个audioFeatureExtractor(音频工具箱)对象进行特征提取。

fs = 16 e3;%数据集的已知抽样率。segmentDuration = 1;frameDuration = 0.025;hopDuration = 0.010;segmentSamples =圆(segmentDuration * fs);frameSamples =圆(frameDuration * fs);hopSamples =圆(hopDuration * fs);overlapSamples = framessamples - hopSamples;FFTLength = 512;numBands = 50;afe = audioFeatureExtractor (．..“SampleRate”fs,．..“FFTLength”，fft长度，．..“窗口”损害(frameSamples“周期”)，．..“OverlapLength”overlapSamples,．..“barkSpectrum”，true）；setExtractorParams（afe，“barkSpectrum”，“NumBands”numBands,“WindowNormalization”，假）；

从数据集读取文件。训练卷积神经网络需要输入大小一致。数据集中的一些文件长度小于1秒。在音频信号的前面和后面应用零填充，使其具有长度分段样本．

x =阅读(adsTrain);numSamples =大小(x, 1);numToPadFront = floor((segmentSamples - numSamples)/2);numToPadBack = cell ((segmentSamples - numSamples)/2);xPadded = 0 (numToPadFront 1“喜欢”, x); x; 0 (numToPadBack 1“喜欢”, x));

要提取音频特征，调用提取．输出是跨行带有时间的Bark谱。

特点=提取(afe xPadded);[numHops, numFeatures] =大小(特性)

numHops = 98 numFeatures = 50

在本例中，通过应用对数对听觉声谱图进行后处理。取小数字的对数会导致四舍五入错误。

要加快处理速度，可以使用parfor．

首先，确定数据集的分区数。如果您没有并行计算工具箱™，请使用单个分区。

如果~ isempty(版本(“平行”)) && ~reduceDataset pool = gcp;numPar = numpartitions (adsTrain、池);其他的numPar = 1;结束

对于每个分区，从数据存储中读取，填充信号零，然后提取特征。

parforii = 1:numPar subds = partition(adsTrain,numPar,ii);XTrain = 0 (numHops numBands 1,元素个数(subds.Files));为idx = 1:numel(subds. files) x = read(subds);xPadded =[0(地板(segmentSamples-size (x, 1)) / 2), 1); x; 0(装天花板((segmentSamples-size (x, 1)) / 2), 1)];XTrain (:,:,:, idx) =提取(afe xPadded);结束XTrainC {2} = XTrain;结束

将输出转换为沿第四维度的听觉光谱图的四维阵列。

XTrain =猫(4,XTrainC {:});[numHops, numBands numChannels numSpec] =大小(XTrain)

numHops = 98 numBands = 50 numChannels = 1 numSpec = 25021

根据窗户功率缩放特征，然后取日志。为了获得分布更平滑的数据，使用小偏移量对谱图取对数。

epsil = 1 e-6;XTrain = log10(XTrain + epsil);

对验证集执行上述特征提取步骤。

如果~ isempty(版本(“平行”))pool=gcp；numPar=numpartitions（adsvalization，pool）；其他的numPar = 1;结束parforii = 1:numPar subds = partition(adsValidation,numPar,ii);XValidation = 0 (numHops numBands 1,元素个数(subds.Files));为idx = 1:numel(subds. files) x = read(subds);xPadded =[0(地板(segmentSamples-size (x, 1)) / 2), 1); x; 0(装天花板((segmentSamples-size (x, 1)) / 2), 1)];XValidation (:,:,:, idx) =提取(afe xPadded);结束XValidationC {2} = XValidation;结束XValidation =猫(4,XValidationC {:});XValidation = log10(XValidation + epsil);

隔离列车和验证标签。删除空的类别。

YTrain = removecats (adsTrain.Labels);YValidation = removecats (adsValidation.Labels);

可视化数据

绘制一些训练样本的波形和听觉谱图。播放相应的音频片段。

specMin = min (XTrain [],“所有”）;specMax = max (XTrain [],“所有”）;idx = randperm(元素个数(adsTrain.Files), 3);图(“单位”，“归一化”，“位置”，[0.2 0.2 0.6 0.6]);为i = 1:3 [x,fs] = audioread(adsTrain.Files{idx(i)});次要情节(2、3、i)情节(x)轴紧标题(string (adsTrain.Labels (idx (i))))次要情节(2 3 i + 3) spect = (XTrain (:,: 1, idx(我)');cxis ([specMin specMax])阴影平声音(x, fs)暂停(2)结束

添加背景噪声数据

该网络不仅要能够识别不同的语音，还必须能够检测输入是否包含沉默或背景噪声。

使用音频文件_background_文件夹创建一秒背景噪音剪辑的样本。从每个背景噪声文件中创建相同数量的背景剪辑。您也可以创建自己的背景噪音录音，并将它们添加到_background_文件夹。在计算频谱图之前，该函数使用从对数均匀分布中采样的系数重新缩放每个音频片段，采样范围如下所示：volumeRange．

adsBkg = audioDatastore (fullfile (dataFolder“背景”))numBkgClips=4000；如果reduceDataset numBkgClips = numBkgClips/20;结束volumeRange = log10([1的军医,1]);numBkgFiles =元素个数(adsBkg.Files);numClipsPerFile = histcounts (1: numBkgClips, linspace (1 numBkgClips numBkgFiles + 1);Xbkg = 0(大小(XTrain, 1),大小(XTrain, 2), 1, numBkgClips,“单一”）;bkgAll = readall (adsBkg);印第安纳州= 1;为count=1:numBkgFiles bkg=bkgAll{count}；idxStart=randi（nummel（bkg）-fs，numClipsPerFile（count），1）；idxEnd=idxStart+fs-1；增益=10^（（volumeRange（2）-volumeRange（1））*rand（numClipsPerFile（count），1）+volumeRange（1））；为j = 1:numClipsPerFile(count) x = bkg(idxStart(j):idxEnd(j)))*gain(j); / /统计x = max (min (x, 1), 1);Xbkg(:,:,:,印第安纳州)=提取(afe x);如果国防部(印第安纳州,1000)= = 0 disp (“加工”(印第安纳州)+ +字符串“背景剪辑退出”+字符串(numBkgClips))结束Ind = Ind + 1;结束结束Xbkg = log10(Xbkg + epsil);

adsBkg=audioDatastore及其属性：文件：{'.\AppData\Local\Temp\google\u speech\background\doing\u the_disks.wav'.'.'.\AppData\Local\Temp\google\U speech\background\doing\u the_the_Discip.wav'.'.\AppData\Local\Temp\Temp\google\Temp\Temp\google\Temp\Temp\Temp\google\speech\google\bike\wav'.'和其他3个文件夹：{'C:\Users\jibrahim\AppData\Local\Temp\google\u speech\background'}可选文件系统根：{}输出数据类型：{}双标签：{}支持输出格式：[“wav”“flac”“ogg”“mp4”“m4a”]默认输出格式金宝app：“wav”处理了4000个背景剪辑中的1000个，处理了4000个背景剪辑中的2000个，处理了4000个背景剪辑中的3000个，处理了4000个背景剪辑中的4000个

在训练集、验证集和测试集之间分割背景噪声谱图。因为_背景噪声_文件夹只包含约5分半钟的背景噪声，不同数据集中的背景样本具有高度相关性。为了增加背景噪音的变化，您可以创建自己的背景文件，并将它们添加到文件夹中。为了提高网络对噪声的鲁棒性，您还可以尝试在语音文件中混合背景噪声。

numTrainBkg =地板(0.85 * numBkgClips);numValidationBkg =地板(0.15 * numBkgClips);XTrain(:,:,: + 1:终端+ numTrainBkg) = Xbkg (:,:,:, 1: numTrainBkg);YTrain(+ 1:结束+ numTrainBkg) =“背景”；XValidation(:,:,: + 1:终端+ numValidationBkg) = Xbkg (:,:,:, numTrainBkg + 1:结束);YValidation(+ 1:结束+ numValidationBkg) =“背景”；

绘制不同类别标签在训练和验证集中的分布。

图(“单位”，“归一化”，“位置”，[0.2 0.2 0.5 0.5]) subplot(2,1,1) histogram(YTrain) title(“培训标签分配”)子批次（2,1,2）直方图（YValidation）标题(“验证标签分配”）

定义神经网络结构

创建一个简单的网络架构，作为一组层。使用卷积和批处理归一化层，并使用最大池化层在“空间上”(即在时间和频率上)对特征映射进行向下采样。添加一个最终的最大池化层，随着时间的推移将输入特征映射全局池化。这在输入谱图中强制了(近似)时间平移不变性，允许网络执行相同的分类，而不依赖于语音在时间上的确切位置。全局池还显著减少了最终完全连接层中的参数数量。为了减少网络记忆训练数据的特定特征的可能性，在最后一个完全连接层的输入中添加少量的dropout。

这个网络很小，因为它只有五个卷积层和几个过滤器。numF控制卷积层中的过滤器数量。为了提高网络的准确性，尝试通过添加相同的卷积块、批处理归一化块和ReLU层来增加网络深度。你也可以通过增加来增加卷积滤波器的数量numF．

使用加权交叉熵分类损失。weightedClassificationLayer (classWeights)创建一个自定义分类层，计算交叉熵损失与观测加权classWeights．按照类出现的顺序指定类权重类别(YTrain)．为了使每个类在损失中具有相等的总权重，使用与每个类中的训练示例数量成反比的类权重。使用Adam优化器训练网络时，训练算法独立于类权值的整体归一化。

classWeights=1./countcats（YTrain）；classWeights=classWeights'/mean（classWeights）；numclass=numel（categories（YTrain））；timePoolSize=ceil（numHops/8）；dropoutProb=0.2；numF=12；layers=[imageInputLayer（[numHops numBands]）卷积2dlayer（3，numF，“填充”，“一样”maxPooling2dLayer(3，“步”2,“填充”，“一样”) convolution2dLayer (3 2 * numF“填充”，“一样”maxPooling2dLayer(3，“步”2,“填充”，“一样”) convolution2dLayer(3、4 * numF,“填充”，“一样”maxPooling2dLayer(3，“步”2,“填充”，“一样”) convolution2dLayer(3、4 * numF,“填充”，“一样”) batchNormalizationLayer reluLayer卷积2dlayer (3,4*numF，“填充”，“一样”) batchNormalizationLayer reluLayer maxPooling2dLayer([timePoolSize,1]) dropoutLayer(dropoutProb) fulllyconnectedlayer (numClasses) softmaxLayer weightedClassificationLayer(classWeights)];

列车网络的

指定培训选项。使用Adam优化器，迷你批量大小为128。训练25个周期，20个周期后学习率降低10倍。

miniBatchSize = 128;validationFrequency =地板(元素个数(YTrain) / miniBatchSize);选择= trainingOptions (“亚当”，．..“InitialLearnRate”3的军医,．..“MaxEpochs”25岁的．..“MiniBatchSize”miniBatchSize,．..“洗牌”，“每个时代”，．..“阴谋”，“训练进步”，．..“详细”错误的．..“验证数据”{XValidation, YValidation},．..“验证频率”validationFrequency,．..“LearnRateSchedule”，“分段”，．..“LearnRateDropFactor”, 0.1,．..“LearnRateDropPeriod”, 20);

培训网络。如果你没有GPU，那么训练网络可能会花费一些时间。

trainedNet = trainNetwork (XTrain、YTrain层,选择);

评估培训网络

计算网络在训练集(无数据增强)和验证集上的最终精度。这个网络对这个数据集非常精确。然而，培训、验证和测试数据都有类似的分布，不一定反映真实环境。这个限制特别适用于未知的类别，它只包含少量单词的话语。

如果reduceDataset负载(“commandNet.mat”，“trainedNet”）;结束YValPred =分类(trainedNet XValidation);validationError = mean(YValPred ~= YValidation);YTrainPred =分类(trainedNet XTrain);= mean(YTrainPred ~= YTrain);disp (“训练误差:+ trainError * 100 +“%”) disp ("验证错误:"+ validationError * 100 +“%”）

培训错误：1.907%验证错误：5.5376%

绘制混淆矩阵。通过使用列和行摘要显示每个类的精度和召回率。对混淆矩阵的类进行排序。最大的混淆是在未知的单词和命令之间，向上和从，下来和不和去和不．

图(“单位”，“归一化”，“位置”，[0.2 0.2 0.5 0.5]);厘米= confusionchart (YValidation YValPred);厘米。Title =“验证数据的混淆矩阵”；厘米。ColumnSummary =“column-normalized”；厘米。RowSummary =“row-normalized”；sortClasses(厘米,[命令,“未知”，“背景”]）

当处理具有受限硬件资源的应用程序(如移动应用程序)时，请考虑可用内存和计算资源的限制。以千字节为单位计算网络的总大小，并在使用CPU时测试其预测速度。预测时间是对单个输入图像进行分类的时间。如果你向网络输入多个图像，这些图像可以同时分类，从而缩短每个图像的预测时间。然而，在对流音频进行分类时，单图像的预测时间是最相关的。

信息=谁(“trainedNet”）;disp (“网络大小:”+信息。字节/ 1024 +“知识库”）为i = 1:100 x = randn([numHops,numBands]);tic [YPredicted,probs] = classification(训练网，x，“ExecutionEnvironment”，“cpu”）;时间(i) = toc;结束disp (CPU上单图像预测时间:+的意思是(时间(11:结束))* 1000 +“女士”）

网络大小:286.7402 kB CPU上的单张图像预测时间:2.5119 ms

参考文献

[1]监狱长P。“语音指令:单字语音识别的公共数据集”，2017。可以从https://storage.googleapis.com/download.tensorflow.org/data/speech_commands_v0.01.tar.gz.Google 2017版权所有。语音命令数据集根据Creative Commons Attribute 4.0许可证获得许可，可从以下网址获得：https://creativecommons.org/licenses/by/4.0/legalcode．

参考文献

[1]监狱长P。“语音指令:单字语音识别的公共数据集”，2017。可以从http://download.tensorflow.org/data/speech_commands_v0.01.tar.gz.Google 2017版权所有。语音命令数据集根据Creative Commons Attribute 4.0许可证获得许可，可从以下网址获得：https://creativecommons.org/licenses/by/4.0/legalcode．