詳解python的webrtc庫實現(xiàn)語音端點檢測
引言
語音端點檢測最早應(yīng)用于電話傳輸和檢測系統(tǒng)當(dāng)中,用于通信信道的時間分配,提高傳輸線路的利用效率.端點檢測屬于語音處理系統(tǒng)的前端操作,在語音檢測領(lǐng)域意義重大.
但是目前的語音端點檢測,尤其是檢測 人聲 開始和結(jié)束的端點始終是屬于技術(shù)難點,各家公司始終處于 能判斷,但是不敢保證 判別準(zhǔn)確性 的階段.
現(xiàn)在基于云端語義庫的聊天機器人層出不窮,其中最著名的當(dāng)屬amazon的 Alexa/Echo 智能音箱.

國內(nèi)如雨后春筍般出現(xiàn)了各種搭載語音聊天的智能音箱(如前幾天在知乎上廣告的若琪機器人)和各類智能機器人產(chǎn)品.國內(nèi)語音服務(wù)提供商主要面對中文語音服務(wù),由于語音不像圖像有分辨率等等較為客觀的指標(biāo),很多時候憑主觀判斷,所以較難判斷各家語音識別和合成技術(shù)的好壞.但是我個人認(rèn)為,國內(nèi)的中文語音服務(wù)和國外的英文語音服務(wù),在某些方面已經(jīng)有超越的趨勢.

通常搭建機器人聊天系統(tǒng)主要包括以下三個方面:
- 語音轉(zhuǎn)文字(ASR/STT)
- 語義內(nèi)容(NLU/NLP)
- 文字轉(zhuǎn)語音(TTS)
語音轉(zhuǎn)文字(ASR/STT)
在將語音傳給云端API之前,是本地前端的語音采集,這部分主要包括如下幾個方面:
- 麥克風(fēng)降噪
- 聲源定位
- 回聲消除
- 喚醒詞
- 語音端點檢測
- 音頻格式壓縮
python 端點檢測
由于實際應(yīng)用中,單純依靠能量檢測特征檢測等方法很難判斷人聲說話的起始點,所以市面上大多數(shù)的語音產(chǎn)品都是使用喚醒詞判斷語音起始.另外加上聲音回路,還可以做語音打斷.這樣的交互方式可能有些傻,每次必須喊一下 喚醒詞 才能繼續(xù)聊天.這種方式聊多了,個人感覺會嘴巴疼:-O .現(xiàn)在github上有snowboy喚醒詞的開源庫,大家可以登錄snowboy官網(wǎng)訓(xùn)練自己的喚醒詞模型.
考慮到用喚醒詞嘴巴會累,所以大致調(diào)研了一下,Python擁有豐富的庫,直接import就能食用.這種方式容易受強噪聲干擾,適合一個人在家玩玩.
- pyaudio: pip install pyaudio 可以從設(shè)備節(jié)點讀取原始音頻流數(shù)據(jù),音頻編碼是PCM格式;
- webrtcvad: pip install webrtcvad 檢測判斷一組語音數(shù)據(jù)是否為空語音;
當(dāng)檢測到持續(xù)時間長度 T1 vad檢測都有語音活動,可以判定為語音起始;
當(dāng)檢測到持續(xù)時間長度 T2 vad檢測都沒有有語音活動,可以判定為語音結(jié)束;
完整程序代碼可以從我的github下載
程序很簡單,相信看一會兒就明白了
'''
Requirements:
+ pyaudio - `pip install pyaudio`
+ py-webrtcvad - `pip install webrtcvad`
'''
import webrtcvad
import collections
import sys
import signal
import pyaudio
from array import array
from struct import pack
import wave
import time
FORMAT = pyaudio.paInt16
CHANNELS = 1
RATE = 16000
CHUNK_DURATION_MS = 30 # supports 10, 20 and 30 (ms)
PADDING_DURATION_MS = 1500 # 1 sec jugement
CHUNK_SIZE = int(RATE CHUNK_DURATION_MS / 1000) # chunk to read
CHUNK_BYTES = CHUNK_SIZE 2 # 16bit = 2 bytes, PCM
NUM_PADDING_CHUNKS = int(PADDING_DURATION_MS / CHUNK_DURATION_MS)
# NUM_WINDOW_CHUNKS = int(240 / CHUNK_DURATION_MS)
NUM_WINDOW_CHUNKS = int(400 / CHUNK_DURATION_MS) # 400 ms/ 30ms ge
NUM_WINDOW_CHUNKS_END = NUM_WINDOW_CHUNKS 2
START_OFFSET = int(NUM_WINDOW_CHUNKS CHUNK_DURATION_MS 0.5 RATE)
vad = webrtcvad.Vad(1)
pa = pyaudio.PyAudio()
stream = pa.open(format=FORMAT,
channels=CHANNELS,
rate=RATE,
input=True,
start=False,
# input_device_index=2,
frames_per_buffer=CHUNK_SIZE)
got_a_sentence = False
leave = False
def handle_int(sig, chunk):
global leave, got_a_sentence
leave = True
got_a_sentence = True
def record_to_file(path, data, sample_width):
"Records from the microphone and outputs the resulting data to 'path'"
# sample_width, data = record()
data = pack('<' + ('h' len(data)), data)
wf = wave.open(path, 'wb')
wf.setnchannels(1)
wf.setsampwidth(sample_width)
wf.setframerate(RATE)
wf.writeframes(data)
wf.close()
def normalize(snd_data):
"Average the volume out"
MAXIMUM = 32767 # 16384
times = float(MAXIMUM) / max(abs(i) for i in snd_data)
r = array('h')
for i in snd_data:
r.append(int(i times))
return r
signal.signal(signal.SIGINT, handle_int)
while not leave:
ring_buffer = collections.deque(maxlen=NUM_PADDING_CHUNKS)
triggered = False
voiced_frames = []
ring_buffer_flags = [0] NUM_WINDOW_CHUNKS
ring_buffer_index = 0
ring_buffer_flags_end = [0] NUM_WINDOW_CHUNKS_END
ring_buffer_index_end = 0
buffer_in = ''
# WangS
raw_data = array('h')
index = 0
start_point = 0
StartTime = time.time()
print(" recording: ")
stream.start_stream()
while not got_a_sentence and not leave:
chunk = stream.read(CHUNK_SIZE)
# add WangS
raw_data.extend(array('h', chunk))
index += CHUNK_SIZE
TimeUse = time.time() - StartTime
active = vad.is_speech(chunk, RATE)
sys.stdout.write('1' if active else '_')
ring_buffer_flags[ring_buffer_index] = 1 if active else 0
ring_buffer_index += 1
ring_buffer_index %= NUM_WINDOW_CHUNKS
ring_buffer_flags_end[ring_buffer_index_end] = 1 if active else 0
ring_buffer_index_end += 1
ring_buffer_index_end %= NUM_WINDOW_CHUNKS_END
# start point detection
if not triggered:
ring_buffer.append(chunk)
num_voiced = sum(ring_buffer_flags)
if num_voiced > 0.8 NUM_WINDOW_CHUNKS:
sys.stdout.write(' Open ')
triggered = True
start_point = index - CHUNK_SIZE 20 # start point
# voiced_frames.extend(ring_buffer)
ring_buffer.clear()
# end point detection
else:
# voiced_frames.append(chunk)
ring_buffer.append(chunk)
num_unvoiced = NUM_WINDOW_CHUNKS_END - sum(ring_buffer_flags_end)
if num_unvoiced > 0.90 NUM_WINDOW_CHUNKS_END or TimeUse > 10:
sys.stdout.write(' Close ')
triggered = False
got_a_sentence = True
sys.stdout.flush()
sys.stdout.write('\n')
# data = b''.join(voiced_frames)
stream.stop_stream()
print(" done recording")
got_a_sentence = False
# write to file
raw_data.reverse()
for index in range(start_point):
raw_data.pop()
raw_data.reverse()
raw_data = normalize(raw_data)
record_to_file("recording.wav", raw_data, 2)
leave = True
stream.close()
程序運行方式sudo python vad.py
以上就是本文的全部內(nèi)容,希望對大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
相關(guān)文章
Pandas之Dropna濾除缺失數(shù)據(jù)的實現(xiàn)方法
這篇文章主要介紹了Pandas之Dropna濾除缺失數(shù)據(jù)的實現(xiàn)方法,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-06-06
Opencv+Python實現(xiàn)圖像運動模糊和高斯模糊的示例
今天小編就為大家分享一篇關(guān)于Opencv+Python實現(xiàn)圖像運動模糊和高斯模糊的示例,小編覺得內(nèi)容挺不錯的,現(xiàn)在分享給大家,具有很好的參考價值,需要的朋友一起跟隨小編來看看吧2019-04-04
Python?tracemalloc跟蹤內(nèi)存分配問題
這篇文章主要介紹了Python?tracemalloc跟蹤內(nèi)存分配問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-11-11
用python查找統(tǒng)一局域網(wǎng)下ip對應(yīng)的mac地址
這篇文章主要介紹了用python查找統(tǒng)一局域網(wǎng)下ip對應(yīng)的mac地址的示例代碼,幫助大家更好的理解和使用python,感興趣的朋友可以了解下2021-01-01
Python標(biāo)準(zhǔn)庫之Math,Random模塊使用詳解
math數(shù)學(xué)模塊和random隨機模塊是Python常用的標(biāo)準(zhǔn)庫之一。本文將詳細(xì)為大家介紹一下這兩個模塊的使用方法,需要的小伙伴可以參考一下2022-05-05
pygame實現(xiàn)井字棋之第三步邏輯優(yōu)化
這篇文章主要介紹了pygame實現(xiàn)井字棋之第三步邏輯優(yōu)化,文中有非常詳細(xì)的代碼示例,對正在學(xué)習(xí)python的小伙伴們也有非常好的幫助,需要的朋友可以參考下2021-05-05
Python集合魔法解鎖數(shù)據(jù)去重技巧應(yīng)用實例
這篇文章主要為大家介紹了Python集合魔法解鎖數(shù)據(jù)去重技巧應(yīng)用實例,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪2023-11-11

