Scipy，Numpy：音频分类器，语音/语音活动检测

我正在编写一个程序来自动分类录制的音频电话文件（wav文件），其中至少包含一些人声或非人声（仅DTMF、拨号音、铃声、噪音）

我的第一个方法是使用ZCR（过零率）实现简单的VAD（语音活动检测器）&计算能量，但这两个参数都混淆了DTMF、拨号音和语音。这个技术失败了，所以我实现了一个简单的方法来计算200Hz和300Hz之间FFT的方差。我的numpy代码如下

wavefft = np.abs(fft(frame))
n = len(frame)
fx = np.arange(0,fs,float(fs)/float(n))
stx = np.where(fx>=200)
stx = stx[0][0]
endx = np.where(fx>=300)
endx = endx[0][0]
return np.sqrt(np.var(wavefft[stx:endx]))/1000

[samplerate, sample] = wavfile.read ('profiles/noise.wav')
noiseProfile = MFCC(samplerate, sample)
[samplerate, sample] = wavfile.read ('profiles/ring.wav')
ringProfile =  MFCC(samplerate, sample)
[samplerate, sample] = wavfile.read ('profiles/voice.wav')
voiceProfile = MFCC(samplerate, sample)

machineData = []
for noise in noiseProfile:
    machineData.append(noise)

for voice in voiceProfile:
    machineData.append(voice)

dataLabel = []
for i in range(0, len(noiseProfile)):
    dataLabel.append (0)
for i in range(0, len(voiceProfile)):
    dataLabel.append (1)

clf = svm.SVC()
clf.fit(machineData, dataLabel)

这导致了60%的准确率

接下来，我尝试使用SVM（支持向量机）和MFCC（Mel频率倒谱系数）实现一种基于机器学习的方法。结果完全不正确，几乎所有样品的标记都不正确。如何用MFCC特征向量训练SVM？我使用scikit学习的大致代码如下

wavefft = np.abs(fft(frame))
n = len(frame)
fx = np.arange(0,fs,float(fs)/float(n))
stx = np.where(fx>=200)
stx = stx[0][0]
endx = np.where(fx>=300)
endx = endx[0][0]
return np.sqrt(np.var(wavefft[stx:endx]))/1000

[samplerate, sample] = wavfile.read ('profiles/noise.wav')
noiseProfile = MFCC(samplerate, sample)
[samplerate, sample] = wavfile.read ('profiles/ring.wav')
ringProfile =  MFCC(samplerate, sample)
[samplerate, sample] = wavfile.read ('profiles/voice.wav')
voiceProfile = MFCC(samplerate, sample)

machineData = []
for noise in noiseProfile:
    machineData.append(noise)

for voice in voiceProfile:
    machineData.append(voice)

dataLabel = []
for i in range(0, len(noiseProfile)):
    dataLabel.append (0)
for i in range(0, len(voiceProfile)):
    dataLabel.append (1)

clf = svm.SVC()
clf.fit(machineData, dataLabel)

---

我想知道我可以实现什么替代方法？

如果您不必使用scipy/numpy，您可以使用checkout，这是一个围绕谷歌优秀语音活动检测代码的Python包装。WebRTC使用高斯混合模型（GMMs），运行良好，速度非常快

下面是一个您可以如何使用它的示例：

import webrtcvad

# audio must be 16 bit PCM, at 8 KHz, 16 KHz or 32 KHz.
def audio_contains_voice(audio, sample_rate, aggressiveness=0, threshold=0.5):
    # Frames must be 10, 20 or 30 ms.
    frame_duration_ms = 30

    # Assuming split_audio is a function that will split audio into
    # frames of the correct size.
    frames = split_audio(audio, sample_rate, frame_duration)

    # aggressiveness tells the VAD how aggressively to filter out non-speech.
    # 0 will have the most false-positives for speech, 3 the least.
    vad = webrtc.Vad(aggressiveness)

    num_voiced = len([f for f in frames if vad.is_voiced(f, sample_rate)])
    return float(num_voiced) / len(frames) > threshold

---

您可能需要调整SVC参数或使用不同的内核。这很难说。您可以执行搜索以查找最佳参数。在执行学习之前，我建议您将

machineData

和

dataLabel

（具有相同的索引）都洗牌

？