Python实现语音识别和语音合成！
目录 语音识别 MFCC 隐马尔科夫模型声音合成
声音的本质即为振动；而振动的本质则可视为位移随时间的变化规律；在音频文件（.wav格式）中包含了不同时间点上的振幅信息
Python资源共享群：626017123
借助傅里叶变换技术, 能够将时间域中的声音函数表示为多种不同频率的正弦波叠加. 频率谱线的独特排列模式, 有助于建立起音频内容与文本之间的对应关系, 这一关联机制可被选作模型训练的基础依据.
案例：画出语音信号的波形和频率分布，（freq.wav数据地址）
语音识别
梅尔频率倒谱系数(MFCC)通常利用声音信号中与内容高度相关的13个特定频段的能量分布情况，并结合梅尔频率倒谱系数矩阵这一工具来进行语音特征提取。在隐马尔科夫模型的基础上建立模式识别体系，并结合测试样本数据进行训练优化，在此基础之上实现对未知语音信息的有效识别和分类处理
MFCC
梅尔频率倒谱系数相关API：
案例：画出MFCC矩阵：
python -m pip install python_speech_features
隐马尔科夫模型
隐马尔科夫模型相关API：
案例：在录音数据中选择training目录下的音频样本，并将录音数据中的音频文件用于识别任务中的分类处理
语音识别设计思路
解析训练文件夹中的所有训练音频样本。
每个音频将与对应的MFCC矩阵匹配。
每个MFCC矩阵将被分配到特定的标签（Apple）。
2、把所有类别为apple的mfcc合并在一起，形成训练集。
训练集:
train_x：[mfcc1,mfcc2,mfcc3,...],[mfcc1,mfcc2,mfcc3,...]...
train_y：[apple],[banana]...
由上述训练集样本可以训练一个用于匹配apple的HMM。
3、训练7个HMM分别对应每个水果类别。 保存在列表中。
4、读取testing文件夹中的测试样本，整理测试样本
测试集数据：
test_x： [mfcc1, mfcc2, mfcc3...]
test_y ：[apple, banana, lime]
5、针对每一个测试样本：
1、分别使用7个HMM模型，对测试样本计算score得分。
2、取7个模型中得分最高的模型所属类别作为预测类别。
声音合成
基于需求获取某声音模型的频域数据，并通过逆向过程生成时域数据以完成声音的合成。基于业务要求能够调整模型数据以满足不同应用场景的需求。
案例，（数据集12.json地址）：