audio.ipynb

Kernel: Python 3

Copyright 2020 The TensorFlow IO Authors.

#@title Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

音频数据准备和增强

在 TensorFlow.org 上查看

在 Google Colab 中运行

在 Github 上查看源代码

下载笔记本

概述

自动语音识别面临的最大挑战之一是音频数据的准备和增强。音频数据分析可能涉及时域或频域，与图像等其他数据源相比，这提高了复杂性。

作为 TensorFlow 生态系统的一部分，tensorflow-io 软件包提供了不少与音频相关的 API。这些 API 非常有用，可简化音频数据的准备和增强。

设置

安装要求的软件包，然后重新启动运行时

!pip install tensorflow-io

用法

读取音频文件

在 TensorFlow IO 中，利用类 tfio.audio.AudioIOTensor 可以将音频文件读取到延迟加载的 IOTensor 中：

import tensorflow as tf
import tensorflow_io as tfio

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

print(audio)

在上面的示例中，Flac 文件 brooklyn.flac 来自 Google Cloud 中可公开访问的音频片段。

示例中直接使用 GCS 地址 gs://cloud-samples-tests/speech/brooklyn.flac，因为 TensorFlow 支持 GCS 文件系统。除了 Flac 格式，凭借自动文件格式检测，AudioIOTensor 还支持 WAV、Ogg、MP3 和 MP4A 格式。

AudioIOTensor 是一个延迟加载张量，因此，刚开始只显示形状、数据类型和采样率。AudioIOTensor 的形状用 [samples, channels] 表示，这表示您加载的音频片段是单声道音频（int16 类型的 28979 个样本）。

仅需要时才会读取该音频片段的内容。要读取音频片段的内容，可通过 to_tensor() 将 AudioIOTensor 转换为 Tensor，也可以通过切片读取。如果只需要一个大音频片段的一小部分，切片尤其实用：

audio_slice = audio[100:]

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

print(audio_tensor)

音频可通过以下方式播放：

from IPython.display import Audio

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

更方便的方式是，将张量转换为浮点数并在计算图中显示音频片段：

import matplotlib.pyplot as plt


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

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

降噪

为音频降噪有时很有意义，这可以通过 API tfio.audio.trim 实现。从该 API 返回的是片段的一对 [start, stop] 位置：

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())

淡入和淡出

一种有用的音频工程技术是淡入淡出，也就是逐渐增强或减弱音频信号。这可以通过 tfio.audio.fade 实现。tfio.audio.fade 支持不同的淡入淡出形状，如 linear、logarithmic 或 exponential：

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

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

声谱图

高级音频处理通常需要不断调整音频频率。在 tensorflow-io 中，可以通过 tfio.audio.spectrogram 将波形图转换为声谱图。

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

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

也可以转换为其他不同的比例：

# 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())

SpecAugment

除上述数据准备和增强 API 外，tensorflow-io 软件包还提供了高级声谱图增强，最主要的是在 SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition (Park et al., 2019) 中讨论的频率掩蔽和时间掩蔽。

频率掩蔽

在频率掩蔽中，对频率通道 [f0, f0 + f) 进行掩蔽，其中 f 选自从 0 到频率掩蔽参数 F 的均匀分布，而 f0 则选自 (0, ν − f)，其中 ν 是频率通道的数量。

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

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

时间掩蔽

在时间掩蔽中，对 t 个连续时间步骤 [t0, t0 + t) 进行掩蔽，其中 t 选自从 0 到时间掩蔽参数 T 的均匀分布，而 t0 则选自 [0, τ − t)，其中 τ 是时间步数。

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

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