【機器學習PAI實踐十二】機器學習實現男女聲音識別分類（含語音特徵提取資料和程式碼）

背景

隨著人工智慧的演算法發展，對於非結構化資料的處理能力越來越受到重視，這裡面的關鍵一環就是語音資料的處理。目前，許多關於語音識別的應用案例已經影響著我們的生活，例如一些智慧音響中利用語音傳送指令，一些搜尋工具利用語音輸出文字代替鍵盤錄入。

本文我們將針對語音識別中最簡單的案例“男女聲音”識別，結合本地的R工具以及機器學習PAI，為大家進行介紹。通過本案例，可以將任何使用者的語音資料標記出性別，並且保持高準確率。我們把整個實驗流程切分為兩部分，第一部分是聲音訊號的特徵提取，通過R的訊號處理工具實現；第二部分通過機器學習PAI實現男女聲音分類模型的訓練，本實驗需要事先積累男女聲音的錄音資料，本文已經提供處理好的3000條語音資料，文章末尾提供下載。

聲音訊號特徵提取

語音資料與影象資料以及文字資料不同，如果經常使用K歌軟體或者是語音合成軟體，不難理解語音資料通常成訊號狀分佈。

為了有效的通過演算法處理這種波形資料，需要首先通過訊號處理工具對語音訊號進行處理。本文我們選用的是R語言的warbleR包，warbleR包含大量的頻譜處理工具，可以通過其中的頻譜處理函式提取出關於聲音的以下特徵資訊，因為男生和女生在聲音訊率、振幅的方面一定有很大區別，所以要通過提取以下特徵幫助我們進行分類：

接下來會講解如何提取這些聲音訊號的特徵：

1.安裝R

首先安裝R語言包，warbleR需要R的版本是3.2以上，這裡強烈建議大家使用3.3.3版本（博主在使用3.4的時候遇到錯誤）。具體R的安裝方式網上有很多介紹，這裡就不詳細介紹了。

2.安裝warbleR

安裝完R之後，進入R命令列，需要通過以下命令安裝warbleR：

install.packages("warbleR")  

library(warbleR)  

這裡需要注意的是映象最好使用美國的預設映象服務，需要翻*，不然很有可能會安裝不成功，因為國內的映象會缺少某些依賴包。

3.特徵提取

首先把需要處理的錄音資料（必須是wav格式）按照男聲、女聲分裝在male和female兩個資料夾中，然後執行筆者提供的R指令碼程式碼（文末提供了下載連結）。需要將程式碼中以下兩個檔案路徑改為自己建立的male以及female檔案路徑即可：

執行這個R指令碼，就會將wav格式的聲音檔案轉化為結構化資料，資料會儲存為一個CSV檔案。檔案部分截圖：

PAI訓練男女聲音分類模型

1.匯入資料

將通過R處理後的資料匯入PAI平臺，也可以直接將文末提供的處理好的資料匯入。具體方法可以看：https://help.aliyun.com/video_detail/54945.html

資料匯入後，可以看到有20個特徵以及1列label列，

2.建立分類模型

通過拖拉PAI平臺的元件搭建實驗，實驗流程圖：

• voice_classify:為資料讀入源
• 拆分:將資料集拆分為訓練集以及預測集
• 線性支援向量機：通過SVM演算法訓練生成模型
• 預測元件：通過模型對預測集預測
• 混淆矩陣：用來評估

這是一個比較簡單的二分類場景，具體也可以參看之前的一些文章：https://yq.aliyun.com/articles/54260

3.評估

最終“混淆矩陣”元件會顯示如下圖的分類評估：

通過混淆矩陣，可以看到男女聲音的分類還是非常精準的。

總結

本文通過使用R指令碼以及機器學習PAI實現了男女聲音分類的案例，最終的準確率達到百分之九十八左右。在實際使用過程中，使用者需要執行以下幾步：
（1）首先積累需要分類的聲音檔案，資料越多越好，儲存為wav格式。
（2）然後通過R指令碼對打標好的聲音檔案進行特徵提取。
（3）將處理後的資料上傳PAI，建立分類模型即可。

PAI地址：https://data.aliyun.com/product/learn
企業服務諮詢：https://survey.aliyun.com/survey/AMgL8_Pm5
資料下載（程式碼及資料來自warbleR社群開源提供）：https://github.com/jimenbian/PAI_voice_classify
與作者討論可以關注我的微信公眾號“凡人機器學習”：