基于深度学习的语音指令识别

这个示例使用:

打开脚本

此示例显示如何训练检测音频中的语音命令的存在的深度学习模型。该示例使用语音命令数据集[1]培训卷积神经网络以识别给定的一组命令。

要从头开始训练网络，必须先下载数据集。如果不想下载数据集或训练网络，则可以加载本示例提供的预训练网络，并执行示例的下两部分：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。

加载（“commandNet.mat”）

对网络进行培训，以识别以下语音命令：

“是的”
“不”
“向上”
“向下”
“左”
“正确”
“关于”
“离开”
“停止”
“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”）;

听指挥。

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。

使用功能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。

听觉探测= PerverextractAutiveFeatures（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

培训网络以对不属于此设置的单词进行分类为“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 = audioread（“play_command.flac”）;声音(x, fs)

计算听觉谱图。

听觉探测= PerverextractAutiveFeatures（X，FS）;

分类信号。

命令=分类(trainedNet auditorySpect)

命令=分类未知

培训网络以将背景噪声分类为“背景”。

创建由随机噪声组成的一秒信号。

x = pinknoise (16 e3);

计算听觉谱图。

听觉探测= PerverextractAutiveFeatures（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,房屋,猫,鸟，或者从0到9的任何数字。

以Hz为单位指定分类率，并创建可以从麦克风读取音频的音频设备读取器。

classificationRate = 20;adr = audioDeviceReader (“采样器”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 = zeros（[numel（标签），分类符号/ 2]）;countthreshold = ceil（分类符号* 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，请设置时限到正．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;抽搐尽管ishandle（h）和&toc<时限%从音频设备中提取音频样本并将样本添加到%缓冲区。x=adr（）；write（audioBuffer，x）；y=read（audioBuffer，fs，fs adr.SamplesPerFrame）；spec=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(:));％绘制当前波形和频谱图。子地块（2,1,1）绘图（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%阈值操作。声明检测并在%数字标题，如果所有以下持有:1)最常见的标签%不是背景。2）至少是最新帧的countThreshold%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] =模式（YBUFFER）;maxprob = max（probbuffer（标签== ymode，:)）;子图（2,1,1）如果YMode = =“背景”||计数”“）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

此示例使用Google Speech Commands数据集[1]。下载该数据集并卸载下载的文件。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 ('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。

ads=音频数据存储（完整文件（数据文件夹，'火车')，...'insertumbfolders'，真的，...“FileExtensions”,“wav”,...'labelsource',“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

指定希望模型识别为命令的单词。将所有非命令的单词标记为命令未知的．标记不是命令的单词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别不平衡，加快处理速度，只在训练集中包含一小部分未知单词。

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”,“关于”,“离开”,“停止”,“走”]）;IsCommand = ISMember（Ads.Labels，命令）;isUnknown = ~ isCommand;includeFraction = 0.2;mask = rand(numel(ads.Labels)，1) < includeFraction;isUnknown = isUnknown & mask;Ads.Labels（Isunknown）=分类（“未知”）;adstrain =子集（广告，iscommand | isunknown）;CountAckeLabel（adstrain）

ans = 11×2表标签计数_______ _____下调1842年1861年离开1839年1839年1839年1864年1864右1885年未知6483 UP 1843是1843

创建验证数据存储

创建一个audioDatastore（音频工具箱）这指向验证数据集。遵循用于创建培训数据存储的相同步骤。

ads=音频数据存储（完整文件（数据文件夹，“验证”)，...'insertumbfolders'，真的，...“FileExtensions”,“wav”,...'labelsource',“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)

广告=具有属性的AudioDataStore：文件：{'... \ appdata \ local \ temp \ google_speech \验证\ bick \ 026290a7_nohash_0.wav';'... \ appdata \ local \ temp \ google_speech \验证\ boad \ 060cd039_nohash_0.wav';'... \ appdata \ local \ temp \ google_speech \ viguration \ bick \ 060cd039_nohash_1.wav'...和6795更多}文件夹：{'c：\ users \ jibrahim \ appdata \ local \ temp \ google_speech \验证'}标签：[床;床上;床......和6795更多分类]替代文件系统：{} outputDatatype：'double'supportedOutputFormats：[“WAV”“FLAC”“OGG金宝app”“MP4”“M4A”] DefaultOutputFormat：“WAV”ANS = 11×2表标签计数_______ _____ _____下降264转260左247 op 256 op 257 off 256右256秒钟，未知850 up 260是261

要用整个数据集训练网络，并达到尽可能高的精度，集合逃守血统到假．要快速运行此示例，请设置逃守血统到真的．

reducedastatset=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是每个语音剪辑的持续时间（以秒为单位）。框架是频谱计算的每个帧的持续时间。hopDuration是每个光谱之间的时间步长。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 (...“采样器”fs,...“FFTLength”，fftlength，...“窗口”损害(frameSamples“周期”)，...“重叠长度”overlapSamples,...“barkSpectrum”，真的）;setExtractorParams（AFE，“barkSpectrum”,“NumBands”numBands,“窗口规范化”，错误的）;

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SEGMANSEMPLES.．

x=读取（adsTrain）；numSamples=大小（x，1）；numToPadFront=地板（（分段采样-numSamples）/2）；numToPadBack=天花板（（分段采样-numSamples）/2）；xPadded=[零（numToPadFront，1，“喜欢”，x）；x；零（numToPadBack，1，“喜欢”，x）]；

要提取音频功能，请调用摘录．输出是跨行带有时间的Bark谱。

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

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”))&&&~reducedasetpool=gcp；numPar=numpartitions（adsTrain，pool）；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{ii}=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=cat（4，XTrainC{：}）；[numHops，numBands，numChannels，numSpec]=size（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);

执行上面描述的特征提取步骤到验证集。

如果~ isempty(版本(“平行”））pool = gcp;numpar = numpartitions（adsvalidation，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=cat（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。

使用中的音频文件_background_文件夹以创建一秒钟背景噪音片段的示例。从每个背景噪音文件创建相同数量的背景噪音片段。您也可以创建自己的背景噪音录制并将其添加到_background_ 文件夹。在计算频谱图之前，该函数重新分配每个音频剪辑，其中因子从所提供的范围中的日志均匀分布中采样volumeRange．

adsBkg = audioDatastore (fullfile (dataFolder“背景”））numbkgclips = 4000;如果SDENTATASET 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（numel（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具有属性：文件：{'... \ appdata \ local \ temp \ google_speech \ background \ dope_the_dishes.wav';'... \ appdata \ local \ temp \ google_speech \ background \ dude_miaowing.wav';'... \ appdata \ local \ temp \ google_speech \ background \ strotting_bike.wav'...和3更多}文件夹：{'c：\ users \ jibrahim \ appdata \ local \ temp \ google_speech \ background'} learstefilesystemroots：{} OutputDataType：'Double'标签：{} Support金宝appedOutputFormats：[“WAV”“FLAC”“ogg”“MP4”“M4a”] DefaultOutputFormat：“WAV”处理1000个背景剪辑中的4000个加工2000个背景剪辑中的4000个已加工40003000个背景剪辑中的4000个4000个背景夹子为4000

在训练集、验证集和测试集之间分割背景噪声谱图。因为_背景噪音_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]）子批次（2,1,1）直方图（YTrain）标题(“培训标签分配”）子图（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（itrain）;classweights = classweights'/均值（类别级）;numclasses = numel（类别（YTrain））;timepoolsize = ceil（numhops / 8）;dropoutprob = 0.2;numf = 12;图层= [imageInputLayer（[numhops numbands]）卷积2dlayer（3，numf，“填充”,'相同的'maxPooling2dLayer(3，“步”2,“填充”,'相同的') convolution2dLayer (3 2 * numF“填充”,'相同的'maxPooling2dLayer(3，“步”2,“填充”,'相同的') convolution2dLayer(3、4 * numF,“填充”,'相同的'maxPooling2dLayer(3，“步”2,“填充”,'相同的') convolution2dLayer(3、4 * numF,“填充”,'相同的') batchNormalizationLayer reluLayer卷积2dlayer (3,4*numF，“填充”,'相同的') batchNormalizationLayer reluLayer maxPooling2dLayer([timePoolSize,1]) dropoutLayer(dropoutProb) fulllyconnectedlayer (numClasses) softmaxLayer weightedClassificationLayer(classWeights)];

列车网络的

指定训练选项。使用最小批量为128的Adam优化器。训练25个阶段，20个阶段后将学习率降低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,...“MiniBatchSize”miniBatchSize,...“洗牌”,'每个时代',...“阴谋”,“培训进度”,...“详细”，错误的，...'vightationdata'{XValidation, YValidation},...'验证职业'validationFrequency,...“LearnRateSchedule”,“分段”,...“LearnRateDropFactor”, 0.1,...'学习ropperiod', 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=列车网络（XTrain、YTrain、图层、选项）；

评估培训网络

在训练集（无数据扩充）和验证集上计算网络的最终精度。网络在此数据集上非常精确。但是，训练、验证和测试数据都具有类似的分布，不一定反映真实环境。此限制尤其适用于未知的类别，它只包含少量单词的话语。

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

训练错误：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，向上的和从,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”]）

当对具有诸如移动应用的受限硬件资源的应用程序工作时，考虑可用内存和计算资源的限制。使用千兆字节计算网络的总大小，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。如果输入，如果将多个图像传输到网络，则可以同时对这些图像进行分类，从而缩短每个图像的预测时间。但是，在对流媒体音频进行分类时，单个图像的预测时间是最相关的。

信息=谁(“训练网”); disp(“网络大小：”+info.bytes/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上的单映像预测时间：”+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] Warden P.“语音命令：单词语音识别的公共数据集”，2017年。可从https://storage.googleapis.com/download.tensorflow.org/data/speech_commands_v0.01.tar.gz．版权所有Google 2017.语音命令DataSet在Creative Commons归因4.0许可下许可，可在此处提供：https://creativecommons.org/licenses/by/4.0/legalcode．

参考文献

[1] Warden P.“语音命令：单词语音识别的公共数据集”，2017年。可从http://download.tensorflow.org/data/speech_commands_v0.01.tar.gz．版权所有Google 2017.语音命令DataSet在Creative Commons归因4.0许可下许可，可在此处提供：https://creativecommons.org/licenses/by/4.0/legalcode．