基于PaddlePaddle实现的语音情感识别

# 项目介绍 本项目是一个语音情感识别项目,目前效果一般,供大家学习使用。后面会持续优化,提高准确率,如果同学们有好的建议,也欢迎来探讨。

源码地址:SpeechEmotionRecognition-PaddlePaddle

使用准备

  • Anaconda 3
  • Python 3.8
  • PaddlePaddle 2.4.0
  • Windows 10 or Ubuntu 18.04

模型测试表

模型 Params(M) 预处理方法 数据集 类别数量 准确率
BidirectionalLSTM 1.8 Flank RAVDESS 8 0.95193

说明: 1. RAVDESS数据集只使用Audio_Speech_Actors_01-24.zip

安装环境

  • 首先安装的是PaddlePaddle的GPU版本,如果已经安装过了,请跳过。
conda install paddlepaddle-gpu==2.4.0 cudatoolkit=10.2 --channel https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/
  • 安装ppser库。

使用pip安装,命令如下:

python -m pip install ppser -U -i https://pypi.tuna.tsinghua.edu.cn/simple

建议源码安装,源码安装能保证使用最新代码。

git clone https://github.com/yeyupiaoling/SpeechEmotionRecognition-PaddlePaddle.git
cd SpeechEmotionRecognition-PaddlePaddle/
python setup.py install

准备数据

生成数据列表,用于下一步的读取需要,项目默认提供一个数据集RAVDESS,下载这个数据集并解压到dataset目录下。

生成数据列表,用于下一步的读取需要,项目默认提供一个数据集RAVDESS,这个数据集的介绍页面,这个数据包含中性、平静、快乐、悲伤、愤怒、恐惧、厌恶、惊讶八种情感,本项目只使用里面的Audio_Speech_Actors_01-24.zip,数据集,说话的语句只有Kids are talking by the doorDogs are sitting by the door,可以说这个训练集是非常简单的。下载这个数据集并解压到dataset目录下。

python create_data.py

如果自定义数据集,可以按照下面格式,audio_path为音频文件路径,用户需要提前把音频数据集存放在dataset/audio目录下,每个文件夹存放一个类别的音频数据,每条音频数据长度在3秒左右,如 dataset/audio/angry/······audio是数据列表存放的位置,生成的数据类别的格式为 音频路径\t音频对应的类别标签,音频路径和标签用制表符 \t分开。读者也可以根据自己存放数据的方式修改以下函数。

执行create_data.py里面的get_data_list('dataset/audios', 'dataset')函数即可生成数据列表,同时也生成归一化文件,具体看代码。

python create_data.py

生成的列表是长这样的,前面是音频的路径,后面是该音频对应的标签,从0开始,路径和标签之间用\t隔开。

dataset/Audio_Speech_Actors_01-24/Actor_13/03-01-01-01-02-01-13.wav 0
dataset/Audio_Speech_Actors_01-24/Actor_01/03-01-02-01-01-01-01.wav 1
dataset/Audio_Speech_Actors_01-24/Actor_01/03-01-03-02-01-01-01.wav 2

注意: create_data.py里面的create_standard('configs/bi_lstm.yml')函数必须要执行的,这个是生成归一化的文件。

训练

接着就可以开始训练模型了,创建 train.py。配置文件里面的参数一般不需要修改,但是这几个是需要根据自己实际的数据集进行调整的,首先最重要的就是分类大小dataset_conf.num_class,这个每个数据集的分类大小可能不一样,根据自己的实际情况设定。然后是dataset_conf.batch_size,如果是显存不够的话,可以减小这个参数。

# 单卡训练
CUDA_VISIBLE_DEVICES=0 python train.py
# 多卡训练
python -m paddle.distributed.launch --gpus '0,1' train.py

训练输出日志: ```[2023-08-18 18:48:49.662963 INFO ] utils:print_arguments:14 - ----------- 额外配置参数 ----------- [2023-08-18 18:48:49.662963 INFO ] utils:print_arguments:16 - configs: configs/bi_lstm.yml [2023-08-18 18:48:49.662963 INFO ] utils:print_arguments:16 - local_rank: 0 [2023-08-18 18:48:49.662963 INFO ] utils:print_arguments:16 - pretrained_model: None [2023-08-18 18:48:49.662963 INFO ] utils:print_arguments:16 - resume_model: None [2023-08-18 18:48:49.662963 INFO ] utils:print_arguments:16 - save_model_path: models/ [2023-08-18 18:48:49.662963 INFO ] utils:print_arguments:16 - use_gpu: True [2023-08-18 18:48:49.662963 INFO ] utils:print_arguments:17 - ------------------------------------------------ [2023-08-18 18:48:49.680176 INFO ] utils:print_arguments:19 - ----------- 配置文件参数 ----------- [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:22 - dataset_conf: [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:25 - aug_conf: [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:27 - noise_aug_prob: 0.2 [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:27 - noise_dir: dataset/noise [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:27 - speed_perturb: True [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:27 - volume_aug_prob: 0.2 [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:27 - volume_perturb: False [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:25 - dataLoader: [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:27 - batch_size: 32 [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:27 - num_workers: 4 [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:29 - do_vad: False [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:25 - eval_conf: [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:27 - batch_size: 1 [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:27 - max_duration: 3 [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:29 - label_list_path: dataset/label_list.txt [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:29 - max_duration: 3 [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:29 - min_duration: 0.5 [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:29 - sample_rate: 16000 [2023-08-18 18:48:49.681177 INFO ] utils:print_arguments:29 - scaler_path: dataset/standard.m [2023-08-18 18:48:49.682177 INFO ] utils:print_arguments:29 - target_dB: -20 [2023-08-18 18:48:49.682177 INFO ] utils:print_arguments:29 - test_list: dataset/test_list.txt [2023-08-18 18:48:49.682177 INFO ] utils:print_arguments:29 - train_list: dataset/train_list.txt [2023-08-18 18:48:49.682177 INFO ] utils:print_arguments:29 - use_dB_normalization: True [2023-08-18 18:48:49.682177 INFO ] utils:print_arguments:22 - model_conf: [2023-08-18 18:48:49.682177 INFO ] utils:print_arguments:29 - num_class: None [2023-08-18 18:48:49.682177 INFO ] utils:print_arguments:22 - optimizer_conf: [2023-08-18 18:48:49.682177 INFO ] utils:print_arguments:29 - learning_rate: 0.001 [2023-08-18 18:48:49.682177 INFO ] utils:print_arguments:29 - optimizer: Adam [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:29 - scheduler: WarmupCosineSchedulerLR [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:25 - scheduler_args: [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:27 - max_lr: 0.001 [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:27 - min_lr: 1e-05 [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:27 - warmup_epoch: 5 [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:29 - weight_decay: 1e-06 [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:22 - preprocess_conf: [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:29 - feature_method: CustomFeatures [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:22 - train_conf: [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:29 - enable_amp: False [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:29 - log_interval: 10 [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:29 - max_epoch: 60 [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:31 - use_model: BidirectionalLSTM [2023-08-18 18:48:49.683184 INFO ] utils:print_arguments:32 - ------------------------------------------------ [2023-08-18 18:48:49.683184 WARNING] trainer:init:66 - Windows系统不支持多线程读取数据,已自动关闭!

Layer (type) Input Shape Output Shape Param #

Linear-1 [[1, 312]] [1, 512] 160,256 LSTM-1 [[1, 1, 512]] [[1, 1, 512], [[2, 1, 256], [2, 1, 256]]] 1,576,960 Tanh-1 [[1, 512]] [1, 512] 0 Dropout-1 [[1, 512]] [1, 512] 0 Linear-2 [[1, 512]] [1, 256] 131,328 ReLU-1 [[1, 256]] [1, 256] 0 Linear-3 [[1, 256]] [1, 6] 1,542 ================================================================================================ Total params: 1,870,086 Trainable params: 1,870,086 Non-trainable params: 0

Input size (MB): 0.00 Forward/backward pass size (MB): 0.03 Params size (MB): 7.13 Estimated Total Size (MB): 7.16

[2023-08-18 18:48:51.425936 INFO ] trainer:train:378 - 训练数据:4407 [2023-08-18 18:48:53.526136 INFO ] trainer:__train_epoch:331 - Train epoch: [1/60], batch: [0/138], loss: 1.80256, accuracy: 0.15625, learning rate: 0.00001000, speed: 15.24 data/sec, eta: 4:49:49 ····················

# 评估
每轮训练结束可以执行评估,评估会出来输出准确率,还保存了混合矩阵图片,保存路径`output/images/`,如下。
![](/static/files/2022-07-06/1e8b36e975c64a188bb9673b30c8b8ca.png)


# 预测

在训练结束之后,我们得到了一个模型参数文件,我们使用这个模型预测音频。

```shell
python infer.py --audio_path=dataset/test.wav

参考资料

  1. https://github.com/yeyupiaoling/AudioClassification-PaddlePaddle
小夜