python实现一个简洁siri功能

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:www.jb51.net/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：

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, &＃39;wb&＃39;)
  wf.setnchannels(CHANNELS)
  wf.setsampwidth(p.get_sample_size(FORMAT))
  wf.setframerate(RATE)
  wf.writeframes(&＃39;&＃39;.join(frames))
  wf.close()

class voice():
 def loaddata(self, filepath):
  try:
   f = wave.open(filepath, &＃39;rb&＃39;)
   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, &＃39;File Error&＃39;

 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, &＃39;rb&＃39;)
  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 == &＃39;main&＃39;:
 r = record()
 r.record(RECORD_SECOnDS=3, WAVE_OUTPUT_FILENAME=&＃39;record.wav&＃39;)
 v = voice()
 v.loaddata(&＃39;record.wav&＃39;)
 v.fft()
 file_list = os.listdir(os.getcwd())
 res = []
 for i in file_list:
  if i.split(&＃39;.&＃39;)[1] == &＃39;wav&＃39; and i.split(&＃39;.&＃39;)[0] != &＃39;record&＃39;:
   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(&＃39;open_qq&＃39;) != -1:
  os.system(&＃39;C:\program\Tencent\QQ\Bin\QQScLauncher.exe&＃39;) #我的QQ路径
 elif res[0][1].find(&＃39;zhimakaimen&＃39;) != -1:
  os.system(&＃39;chrome.exe&＃39;)#浏览器的路径，之前已经被添加到了Path中了
 elif res[0][1].find(&＃39;play_music&＃39;) != -1:
  voice.play(&＃39;C:\data\music\\audio\\audio\\ (9).wav&＃39;) #播放一段音乐
 # r = record()
 # r.record(RECORD_SECOnDS=3,WAVE_OUTPUT_FILENAME=&＃39;zhimakaimen_09.wav&＃39;)

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：www.iqiyi.com/w_19ruisynsd.html