前言

如果想要容易理解核心的特征计算的话建议先去看看我之前的听歌识曲的文章，传送门:https://www./article/97305.htm

本文主要是实现了一个简单的命令词识别程序，算法核心一是提取音频特征，二是用DTW算法进行匹配。当然，这样的代码肯定不能用于商业化，大家做出来玩玩娱乐一下还是不错的。

设计思路

就算是个小东西，我们也要先明确思路再做。音频识别，困难不小，其中提取特征的难度在我听歌识曲那篇文章里能看得出来。而语音识别难度更大，因为音乐总是固定的，而人类说话常常是变化的。比如说一个“芝麻开门”，有的人就会说成“芝麻开门”，有的人会说成“芝麻开门”。而且在录音时说话的时间也不一样，可能很紧迫的一开始录音就说话了，也可能不紧不慢的快要录音结束了才把这四个字说出来。这样难度就大了。

算法流程：

特征提取

和之前的听歌识曲一样，同样是将一秒钟分成40块，对每一块进行傅里叶变换，然后取模长。只是这不像之前听歌识曲中进一步进行提取峰值，而是直接当做特征值。

看不懂我在说什么的朋友可以看看下面的源代码，或者看听歌识曲那篇文章。

DTW算法

DTW，Dynamic Time Warping，动态时间归整。算法解决的问题是将不同发音长短和位置进行最适合的匹配。

算法输入两组音频的特征向量: A:[fp1,fp2,fp3,......,fpM1] B:[fp1,fp2,fp3,fp4,.....fpM2]
A组共有M1个特征，B组共有M2个音频。每个特征向量中的元素就是之前我们将每秒切成40块之后FFT求模长的向量。计算每对fp之间的代价采用的是欧氏距离。

设D(fpa,fpb)为两个特征的距离代价。

那么我们可以画出下面这样的图

我们需要从(1,1)点走到(M1,M2)点，这会有很多种走法，而每种走法就是一种两个音频位置匹配的方式。但我们的目标是走的总过程中代价最小，这样可以保证这种对齐方式是使我们得到最接近的对齐方式。

我们这样走：首先两个坐标轴上的各个点都是可以直接计算累加代价和求出的。然后对于中间的点来说D(i,j) = Min{D(i-1,j)+D(fpi,fpj) , D(i,j-1)+D(fpi,fpj) , D(i-1,j-1) + 2 * D(fpi,fpj)}

为什么由(i-1,j-1)直接走到(i,j)这个点需要加上两倍的代价呢？因为别人走正方形的两个直角边，它走的是正方形的对角线啊

按照这个原理选择，一直算到D(M1,M2)，这就是两个音频的距离。

源代码和注释

# coding=utf8
import os
import wave
import dtw
import numpy as np
import pyaudio

def compute_distance_vec(vec1, vec2):
 return np.linalg.norm(vec1 - vec2) #计算两个特征之间的欧氏距离

class record():
 def record(self, CHUNK=44100, FORMAT=pyaudio.paInt16, CHANNELS=2, RATE=44100, RECORD_SECONDS=200,
    WAVE_OUTPUT_FILENAME="record.wav"):
  #录歌方法
  p = pyaudio.PyAudio()
  stream = p.open(format=FORMAT,
      channels=CHANNELS,
      rate=RATE,
      input=True,
      frames_per_buffer=CHUNK)
  frames = []
  for i in range(0, int(RATE / CHUNK * RECORD_SECONDS)):
   data = stream.read(CHUNK)
   frames.append(data)
  stream.stop_stream()
  stream.close()
  p.terminate()
  wf = wave.open(WAVE_OUTPUT_FILENAME, 'wb')
  wf.setnchannels(CHANNELS)
  wf.setsampwidth(p.get_sample_size(FORMAT))
  wf.setframerate(RATE)
  wf.writeframes(''.join(frames))
  wf.close()

class voice():
 def loaddata(self, filepath):
  try:
   f = wave.open(filepath, 'rb')
   params = f.getparams()
   self.nchannels, self.sampwidth, self.framerate, self.nframes = params[:4]
   str_data = f.readframes(self.nframes)
   self.wave_data = np.fromstring(str_data, dtype=np.short)
   self.wave_data.shape = -1, self.sampwidth
   self.wave_data = self.wave_data.T #存储歌曲原始数组
   f.close()
   self.name = os.path.basename(filepath) # 记录下文件名
   return True
  except:
   raise IOError, 'File Error'

 def fft(self, frames=40):
  self.fft_blocks = [] #将音频每秒分成40块，再对每块做傅里叶变换
  blocks_size = self.framerate / frames
  for i in xrange(0, len(self.wave_data[0]) - blocks_size, blocks_size):
   self.fft_blocks.append(np.abs(np.fft.fft(self.wave_data[0][i:i + blocks_size])))
 @staticmethod
 def play(filepath):
  chunk = 1024
  wf = wave.open(filepath, 'rb')
  p = pyaudio.PyAudio()
  # 播放音乐方法
  stream = p.open(format=p.get_format_from_width(wf.getsampwidth()),
      channels=wf.getnchannels(),
      rate=wf.getframerate(),
      output=True)
  while True:
   data = wf.readframes(chunk)
   if data == "": break
   stream.write(data)
  stream.close()
  p.terminate()
if __name__ == '__main__':
 r = record()
 r.record(RECORD_SECONDS=3, WAVE_OUTPUT_FILENAME='record.wav')
 v = voice()
 v.loaddata('record.wav')
 v.fft()
 file_list = os.listdir(os.getcwd())
 res = []
 for i in file_list:
  if i.split('.')[1] == 'wav' and i.split('.')[0] != 'record':
   temp = voice()
   temp.loaddata(i)
   temp.fft()
   res.append((dtw.dtw(v.fft_blocks, temp.fft_blocks, compute_distance_vec)[0],i))
 res.sort()
 print res
 if res[0][1].find('open_qq') != -1:
  os.system('C:\program\Tencent\QQ\Bin\QQScLauncher.exe') #我的QQ路径
 elif res[0][1].find('zhimakaimen') != -1:
  os.system('chrome.exe')#浏览器的路径，之前已经被添加到了Path中了
 elif res[0][1].find('play_music') != -1:
  voice.play('C:\data\music\\audio\\audio\\ (9).wav') #播放一段音乐
 # r = record()
 # r.record(RECORD_SECONDS=3,WAVE_OUTPUT_FILENAME='zhimakaimen_09.wav')

事先可以先用这里的record方法录制几段命令词，尝试用不同语气说，不同节奏说，这样可以提高准确度。然后设计好文件名，根据匹配到的最接近音频的文件名就可以知道是哪种命令，进而自定义执行不同的任务

这是一段演示视频：http://www.iqiyi.com/w_19ruisynsd.html

总结

以上就是这篇文章的全部内容，希望本文的内容对大家的学习或者使用python能带来一定的帮助，如果有疑问大家可以留言交流。

# python实现小功能  # siri实现原理  # siri技术实现  # python3音乐播放器简单实现代码  # Python通过90行代码搭建一个音乐搜索工具  # 听歌识曲--用python实现一个音乐检索器的功能  # Python实现提取谷歌音乐搜索结果的方法  # 听歌  # 的是  # 走到  # 求出  # 说成  # 源代码  # 那篇  # 切成  # 都是  # 这是  # 特征值  # 就会  # 是个  # 也不  # 我在  # 在我  # 这就是  # 一是  # 说什么  # 更大 

相关栏目： 【 网站优化151355 】 【 网络推广146373 】 【 网络技术251813 】 【 AI营销90571 】

相关推荐： Laravel如何为API生成Swagger或OpenAPI文档  JS弹性运动实现方法分析  免费制作统计图的网站有哪些,如何看待现如今年轻人买房难的情况？  中国移动官方网站首页入口 中国移动官网网页登录  深圳网站制作的公司有哪些,dido官方网站？  手机软键盘弹出时影响布局的解决方法  Laravel如何自定义分页视图？（Pagination示例）  mc皮肤壁纸制作器,苹果平板怎么设置自己想要的壁纸我的世界？  Midjourney怎样加参数调细节_Midjourney参数调整技巧【指南】  如何快速搭建高效简练网站？  Laravel如何实现多对多模型关联？（Eloquent教程）  Firefox Developer Edition开发者版本入口  如何注册花生壳免费域名并搭建个人网站？  阿里云网站搭建费用解析：服务器价格与建站成本优化指南  Laravel怎么配置不同环境的数据库_Laravel本地测试与生产环境动态切换【方法】  JavaScript实现Fly Bird小游戏  jQuery中的100个技巧汇总  打开php文件提示内存不足_怎么调整php内存限制【解决方案】  如何挑选优质建站一级代理提升网站排名？  详解免费开源的.NET多类型文件解压缩组件SharpZipLib（.NET组件介绍之七）  如何彻底卸载建站之星软件？  jQuery 常见小例汇总  Laravel怎么实现观察者模式Observer_Laravel模型事件监听与解耦开发【指南】  Laravel如何与Vue.js集成_Laravel + Vue前后端分离项目搭建指南  微信小程序 require机制详解及实例代码  Laravel项目结构怎么组织_大型Laravel应用的最佳目录结构实践  青岛网站建设如何选择本地服务器？  Laravel路由怎么定义_Laravel核心路由系统完全入门指南  专业企业网站设计制作公司,如何理解商贸企业的统一配送和分销网络建设？  如何获取免费开源的自助建站系统源码？  浅述节点的创建及常见功能的实现  如何用ChatGPT准备面试 模拟面试问答与职场话术练习教程  Laravel如何实现数据库事务？（DB Facade示例）  Laravel怎么在Blade中安全地输出原始HTML内容  千问怎样用提示词获取健康建议_千问健康类提示词注意事项【指南】  Python高阶函数应用_函数作为参数说明【指导】  Laravel怎么实现验证码功能_Laravel集成验证码库防止机器人注册  中山网站制作网页,中山新生登记系统登记流程？  Claude怎样写结构化提示词_Claude结构化提示词写法【教程】  JS碰撞运动实现方法详解  Laravel如何实现API版本控制_Laravel API版本化路由设计策略  谷歌浏览器下载文件时中断怎么办 Google Chrome下载管理修复  HTML透明颜色代码在Angular里怎么设置_Angular透明颜色使用指南【详解】  PHP正则匹配日期和时间(时间戳转换)的实例代码  如何快速查询网址的建站时间与历史轨迹？  使用spring连接及操作mongodb3.0实例  厦门模型网站设计制作公司,厦门航空飞机模型掉色怎么办？  如何用JavaScript实现文本编辑器_光标和选区怎么处理  如何在阿里云虚拟主机上快速搭建个人网站？  高防服务器租用指南：配置选择与快速部署攻略