语音识别之男女声分类（从一段对话中分离男声）

目录

0 引言

1 思路

2 代码

（1）主函数

（2）子函数judge.m

3 代码运行结果

4 结论

5 参考资料

0 引言

前段时间，朋友让我帮忙剪十段音频，每段音频为约十分钟的包含男女生对话的录音，要求从中分离出男声的语音，男女声声音重叠部分可丢弃，刚开始本以为工作量没多大，遂打开了音频剪辑软件，剪了一段后发现这个事情还是挺麻烦的，于是决定写个matlab程序来自动分离，然后伴以一定的人工校正，从而大大提高剪辑效率。

1 思路

预处理：将原始音频分割成2s一段的音频文件（时间间隔可调）；

正式处理：

依次读取已分割为2s一段的音频文件，并从以下两个方面考虑：

（1）男女生基音频率的差异，计算该段语音中基音频率；

（2）声音幅值的差异（录音时男生离录音笔更近），计算语音幅值；

从上述两个方面对音频文件进行识别和分类。考虑到会有一定的误判，将识别类别设置为男声、女声和人工识别三类，并将判断出的语音存储在相应的类别文件中，以备日后人工修正。

2 代码

（1）主函数

%================================================
%作者：Uestc-Sl
%创建日期：2021.04.19
%维护日期：2021.04.19
%功能描述：将剪切声音与判断男女声功能相结合，实现剪切、识别、分类存储一系列功能
%调用函数：judge.m
%使用流程：点击运行--->选择原始音频文件--->选择剪切及识别分类后的文件输出目录---->剪切音频
%         ----->读取剪辑的音频并识别---->根据识别结果将该语音存入对应分类文件，以便人工校对---->结束
%输出结果文件夹及目录结构     指定路径----> interval_2_0?-1 ---> 剪切好的音频
%                                                         --->男声
%                                                         --->女声
%                                                         --->需人工识别
%备注：
%其他：可考虑引入神经网络，构建更高维度的向量，提高基于判断幅值和基音频率判断的准确性
%================================================

 clear;
 clc;
 [file1,PathName,FilterIndex] = uigetfile('.wav','Select the M-file');
 file=strcat(PathName,file1);
 outfilePath=uigetdir;
 %======================创建输出结果文件=========================
 new_folder0 = strcat(outfilePath,'\','interval_2_',file1(1:4)); % 创建一个加前缀的同名文件夹，保存处理后的数据
 mkdir(new_folder0);
 new_folder1 = strcat(new_folder0,'\','剪切好的音频');
 mkdir(new_folder1);
 new_folder2 = strcat(new_folder0,'\','男声');
 mkdir(new_folder2);
 new_folder3 = strcat(new_folder0,'\','女声');
 mkdir(new_folder3);
 new_folder4 = strcat(new_folder0,'\','需人工识别');
 mkdir(new_folder4);
 %=============================================================

 [x,fs]=audioread(file); % 读入声音文件
 data=x(:,1);            % 取单声道
 len=length(data);       % 获取序列长度和深度
 timeInterval=2;         % 提取的时间间隔（s）

for i=1:ceil(len/fs)
    start_time = timeInterval*(i-1);
    end_time =timeInterval*i;
     if end_time*fs <=len y_new="x((fs*start_time+1):fs*end_time,1);" outfilename="strcat(new_folder1,'\',num2str(i),'.wav')" audiowrite(outfilename,y_new,fs); %将分割好的音频存入指定文件 [ansnum]="judge(OutFileName);" if ansnum="=0" %男声 outfilename2="strcat(new_folder2,'\',num2str(i),'.wav');" audiowrite(outfilename2,y_new,fs); end %女声 outfilename3="strcat(new_folder3,'\',num2str(i),'.wav');" audiowrite(outfilename3,y_new,fs); %需人工识别 outfilename4="strcat(new_folder4,'\',num2str(i),'.wav');" audiowrite(outfilename4,y_new,fs); < code></=len>

（2）子函数judge.m

%返回值 0 男声
%       1 女声
%       2 需人工识别
function [ansnum]=judge(filename)

    [x1,fs1]=audioread(filename); % 读入声音文件
     data1=x1(:,1);            %取单声道

    %======基音频率提取======
    N=length(data1);
    [~,index]=max(data1);          % 返回最大值 最大值索引
    timewin=floor(0.015*fs1);

    %避免溢出
    [a,ind] = sort(data1);
    count=1;
    while index+timewin>N
         a(end)=[];
         count=count+1;
         [~,index]=max(a);
    end
    temp=index-timewin;
    if temp<0 temp="1;" end xwin="data1(temp:index+timewin);" [y,~]="xcov(xwin);" ylen="length(y);" halflen="(ylen+1)/2" +30; yy="y(halflen:" ylen); [~,maxindex]="max(yy);" fmax="fs1/(maxindex+30);" disp([filename,'基音频率为 ', num2str(fmax), ' hz']) %="===============&#x8003;&#x8651;&#x5E45;&#x503C;&#x4FE1;&#x606F;======" mean="0;" for i="1:N" if data1(i)>0
        mean=mean+data1(i);%&#x53EA;&#x8BA1;&#x7B97;&#x6B63;&#x503C;&#x8303;&#x56F4;&#x5185;&#x7684;&#x5E73;&#x5747;&#x5E45;&#x503C;
        end
    end
    mean=mean/N

    %======&#x901A;&#x8FC7;&#x57FA;&#x97F3;&#x9891;&#x7387;&#x3001;&#x5E45;&#x503C;&#x5927;&#x5C0F;&#x5224;&#x65AD;&#x7537;&#x5973;&#x58F0;======
    if mean>=0.001 && fmax<160 disp([filename,' 是男声文件']); ansnum="0;" else if fmax<160 && fmax>100 ;
            disp([filename,' &#x9700;&#x4EBA;&#x5DE5;&#x8BC6;&#x522B;']);
            ansnum=2;
         else
            disp([filename,' &#x662F;&#x5973;&#x58F0;&#x6587;&#x4EF6;']);
            ansnum=1;
         end;
    end;
    </160></0>

3 代码运行结果

图3.1 输出结果文件夹

图3.2 判定为”男声”音频文件夹

图3.3 判定为”女声”音频文件夹

图3.4 判定为”需人工识别”音频文件夹

每次处理输入的语音时，首先会创建一个文件夹用于存处理完成后的数据，文件夹命名为”interval_2_”+输入文件名的前四个字符，并在该文件夹下创建四个文件夹：剪切好的音频、男声、女声、需人工识别。随后会自动分割录音音频为2s一段的音频，并存入”剪切好的音频”文件夹，然后对剪切好的语音进行识别并存入对应文件夹。

4 结论

根据我的人工校对，发现《男声》的准确率接近100%，召回率(正常情况下)在80%左右，达到了预期的效果。在这些分类声音的基础上，进行人工校对和分类，大大提高了音频剪辑的效率，所以与大家分享，希望能给能用的朋友带来帮助。

5 参考资料

【1】http://www.voidcn.com/article/p-hsevylyj-nx.html

【2】https://blog.csdn.net/qq_31821675/article/details/79973532?utm_medium=distribute.pc_relevant_download.none-task-blog-baidujs-4.nonecase&depth_1-utm_source=distribute.pc_relevant_download.none-task-blog-baidujs-4.nonecase

【3】https://blog.csdn.net/weixin_29813667/article/details/113902853

【4】https://ww2.mathworks.cn/help/matlab/ref/mkdir.html

Original: https://blog.csdn.net/qq_38719138/article/details/116207726
Author: automan2019
Title: 语音识别之男女声分类（从一段对话中分离男声）