Speech

2024-06-25 13:41| 来源: 网络整理| 查看: 265

Speech Emotion Recognition

用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。

改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 First-Version 分支。

English Document | 中文文档

Environments Python 3.6.7 Keras 2.2.4

Structure ├── models/ // 模型实现 │ ├── common.py // 所有模型的基类 │ ├── dnn // 神经网络模型 │ │ ├── dnn.py // 所有神经网络模型的基类 │ │ ├── cnn.py // CNN │ │ └── lstm.py // LSTM │ └── ml.py // SVM & MLP ├── extract_feats/ // 特征提取 │ ├── librosa.py // librosa 提取特征 │ └── opensmile.py // Opensmile 提取特征 ├── utils/ │ ├── files.py // 用于整理数据集（分类、批量重命名） │ ├── opts.py // 使用 argparse 从命令行读入参数 │ └── plot.py // 绘图（雷达图、频谱图、波形图） ├── features/ // 存储提取好的特征 ├── config/ // 配置参数（.yaml） ├── train.py // 训练模型 ├── predict.py // 用训练好的模型预测指定音频的情感 └── preprocess.py // 数据预处理（提取数据集中音频的特征并保存）

Requirments Python scikit-learn：SVM & MLP 模型，划分训练集和测试集 Keras：LSTM、CNN TensorFlow：Keras 的后端 librosa：提取特征、波形图 SciPy：频谱图 pandas：加载特征 Matplotlib：绘图 numpy Tools Opensmile：提取特征

Datasets

RAVDESS

英文，24 个人（12 名男性，12 名女性）的大约 1500 个音频，表达了 8 种不同的情绪（第三位数字表示情绪类别）：01 = neutral，02 = calm，03 = happy，04 = sad，05 = angry，06 = fearful，07 = disgust，08 = surprised。

SAVEE

英文，4 个人（男性）的大约 500 个音频，表达了 7 种不同的情绪（第一个字母表示情绪类别）：a = anger，d = disgust，f = fear，h = happiness，n = neutral，sa = sadness，su = surprise。

EMO-DB

德语，10 个人（5 名男性，5 名女性）的大约 500 个音频，表达了 7 种不同的情绪（倒数第二个字母表示情绪类别）：N = neutral，W = angry，A = fear，F = happy，T = sad，E = disgust，L = boredom。

CASIA

汉语，4 个人（2 名男性，2 名女性）的大约 1200 个音频，表达了 6 种不同的情绪：neutral，happy，sad，angry，fearful，surprised。

Usage Prepare

安装依赖：

pip install -r requirements.txt

安装 Opensmile。

Configuration

在 configs/ 文件夹中的配置文件（YAML）里配置参数。

其中 Opensmile 标准特征集目前只支持：

IS09_emotion：The INTERSPEECH 2009 Emotion Challenge，384 个特征； IS10_paraling：The INTERSPEECH 2010 Paralinguistic Challenge，1582 个特征； IS11_speaker_state：The INTERSPEECH 2011 Speaker State Challenge，4368 个特征； IS12_speaker_trait：The INTERSPEECH 2012 Speaker Trait Challenge，6125 个特征； IS13_ComParE：The INTERSPEECH 2013 ComParE Challenge，6373 个特征； ComParE_2016：The INTERSPEECH 2016 Computational Paralinguistics Challenge，6373 个特征。

如果需要用其他特征集，可以自行修改 extract_feats/opensmile.py 中的 FEATURE_NUM 项。

Preprocess

首先需要提取数据集中音频的特征并保存到本地。Opensmile 提取的特征会被保存在 .csv 文件中，librosa 提取的特征会被保存在 .p 文件中。

python preprocess.py --config configs/example.yaml

其中，configs/example.yaml 是你的配置文件路径。

Train

数据集路径可以在 configs/ 中配置，相同情感的音频放在同一个文件夹里（可以参考 utils/files.py 整理数据），如：

└── datasets ├── angry ├── happy ├── sad ...

然后：

python train.py --config configs/example.yaml

Predict

用训练好的模型来预测指定音频的情感。checkpoints 分支和 release 页面有一些已经训练好的模型。

python predict.py --config configs/example.yaml

Functions Radar Chart

画出预测概率的雷达图。

来源：Radar

import utils """ Args: data_prob (np.ndarray): 概率数组 class_labels (list): 情感标签 """ utils.radar(data_prob, class_labels)

Play Audio

播放一段音频

import utils utils.play_audio(file_path)

Plot Curve

画训练过程的准确率曲线和损失曲线。

import utils """ Args: train (list): 训练集损失值或准确率数组 val (list): 测试集损失值或准确率数组 title (str): 图像标题 y_label (str): y 轴标题 """ utils.curve(train, val, title, y_label)

Waveform

画出音频的波形图。

import utils utils.waveform(file_path)

Spectrogram

画出音频的频谱图。

import utils utils.spectrogram(file_path)

Other Contributors @Zhaofan-Su @Guo Hui

【本文地址】

公司简介

联系我们