Подготовка и расширение аудиоданных

Обзор

Одной из самых больших проблем автоматического распознавания речи является подготовка и дополнение аудиоданных. Анализ аудиоданных может быть во временной или частотной области, что добавляет дополнительные сложности по сравнению с другими источниками данных, такими как изображения.

В рамках TensorFlow экосистемы, tensorflow-io пакет предоставляет несколько полезного API , аудио , связанное что помогает замедлениям подготовки и увеличению аудиоданных.

Настраивать

Установите необходимые пакеты и перезапустите среду выполнения.

pip install tensorflow-io

использование

Прочитать аудиофайл

В TensorFlow IO, класс tfio.audio.AudioIOTensor позволяет считывать аудиофайл в ленивый загруженном IOTensor :

import tensorflow as tf
import tensorflow_io as tfio

audio = tfio.audio.AudioIOTensor('gs://cloud-samples-tests/speech/brooklyn.flac')

print(audio)

<AudioIOTensor: shape=[28979     1], dtype=<dtype: 'int16'>, rate=16000>

В приведенном выше примере, файл Flac brooklyn.flac от общедоступного аудиоклипа в Google Cloud .

ГКС адрес gs://cloud-samples-tests/speech/brooklyn.flac используется непосредственно , потому что ГКС является поддерживаемой файловой системой в TensorFlow. В дополнение к Flac формате WAV , Ogg , MP3 и MP4A также поддерживаются AudioIOTensor с автоматическим распознаванием формата файла.

AudioIOTensor ленив загружены так , только форму, DTYPE, а частота дискретизации показаны на начальном этапе. Форма AudioIOTensor представлена в виде [samples, channels] , что означает аудио клип вы загрузили моно канал с 28979 выборок в int16 .

Содержание аудиоклипа будет прочитано только по мере необходимости, либо путем преобразования AudioIOTensor в Tensor через to_tensor() , или хотя нарезки. Нарезка особенно полезна, когда требуется только небольшая часть большого аудиоклипа:

audio_slice = audio[100:]

# remove last dimension
audio_tensor = tf.squeeze(audio_slice, axis=[-1])

print(audio_tensor)

tf.Tensor([16 39 66 ... 56 81 83], shape=(28879,), dtype=int16)

Звук можно воспроизводить через:

from IPython.display import Audio

Audio(audio_tensor.numpy(), rate=audio.rate.numpy())

Удобнее преобразовать тензор в число с плавающей запятой и отобразить аудиоклип на графике:

import matplotlib.pyplot as plt


tensor = tf.cast(audio_tensor, tf.float32) / 32768.0

plt.figure()
plt.plot(tensor.numpy())

[<matplotlib.lines.Line2D at 0x7fbdd3eb72d0>]

Убрать шум

Иногда имеет смысл обрезать шум от звука, который может быть сделан через API tfio.audio.trim . Возвращенные из API является пара [start, stop] позиции segement:

position = tfio.audio.trim(tensor, axis=0, epsilon=0.1)
print(position)

start = position[0]
stop = position[1]
print(start, stop)

processed = tensor[start:stop]

plt.figure()
plt.plot(processed.numpy())

tf.Tensor([ 2398 23546], shape=(2,), dtype=int64)
tf.Tensor(2398, shape=(), dtype=int64) tf.Tensor(23546, shape=(), dtype=int64)
[<matplotlib.lines.Line2D at 0x7fbdd3dce9d0>]

Постепенное появление и исчезновение

Одним из полезных приемов звукоинженерии является затухание, которое постепенно увеличивает или уменьшает звуковые сигналы. Это может быть сделано через tfio.audio.fade . tfio.audio.fade поддерживает различные формы фации , такие как linear , logarithmic или exponential :

fade = tfio.audio.fade(
    processed, fade_in=1000, fade_out=2000, mode="logarithmic")

plt.figure()
plt.plot(fade.numpy())

[<matplotlib.lines.Line2D at 0x7fbdd00d9b10>]

Спектрограмма

Усовершенствованная обработка звука часто работает при изменении частоты с течением времени. В tensorflow-io формы волны могут быть преобразованы в спектрограмме через tfio.audio.spectrogram :

# Convert to spectrogram
spectrogram = tfio.audio.spectrogram(
    fade, nfft=512, window=512, stride=256)

plt.figure()
plt.imshow(tf.math.log(spectrogram).numpy())

<matplotlib.image.AxesImage at 0x7fbdd005add0>

Также возможно дополнительное преобразование в разные масштабы:

# Convert to mel-spectrogram
mel_spectrogram = tfio.audio.melscale(
    spectrogram, rate=16000, mels=128, fmin=0, fmax=8000)


plt.figure()
plt.imshow(tf.math.log(mel_spectrogram).numpy())

# Convert to db scale mel-spectrogram
dbscale_mel_spectrogram = tfio.audio.dbscale(
    mel_spectrogram, top_db=80)

plt.figure()
plt.imshow(dbscale_mel_spectrogram.numpy())

<matplotlib.image.AxesImage at 0x7fbcfb20bd10>

SpecAugment

В дополнение к вышеупомянутым API , подготовки данных и дополнения, tensorflow-io пакет также предоставляет расширенные спектрограммы аугментации, наиболее особенно частоты и времени Маскировка обсуждается в SpecAugment: (. Парк и др, 2019) Простой Augmentation данных Метод для автоматического распознавания речи .

Маскировка частоты

В частотном маскирования, частотные каналы [f0, f0 + f) замаскированы , где f выбран из равномерного распределения от 0 к маске частотного параметра F и f0 выбирается из (0, ν − f) , где ν представляет собой число частотные каналы.

# Freq masking
freq_mask = tfio.audio.freq_mask(dbscale_mel_spectrogram, param=10)

plt.figure()
plt.imshow(freq_mask.numpy())

<matplotlib.image.AxesImage at 0x7fbcfb155cd0>

Маскировка времени

В время маскирования, t последовательных шагов по времени [t0, t0 + t) замаскированы , где t выбран из равномерного распределения от 0 до времени маски параметра T и t0 выбираются из [0, τ − t) , где τ представляет собой временные шаги.

# Time masking
time_mask = tfio.audio.time_mask(dbscale_mel_spectrogram, param=10)

plt.figure()
plt.imshow(time_mask.numpy())

<matplotlib.image.AxesImage at 0x7fbcfb0d9bd0>