Paiza で期間限定で Python×AI 機械学習入門が無料だったのでしてみた チャプター５

音声の波にフーリエ変換を適用すると　複数の簡単な波に変換される

簡単な波を周波数ごとに集計したものをパワースペクトルという　音声を構成する周波数の内訳になる

それぞれの音声の周波数をパワースペクトルで比べることで音声の特徴をよりよく比較できる

前回のコード

コードを修正し　音声の波にフーリエ変換で求めた特徴量を利用するようにしていく

フーリエ変換を利用するためにscipyのfftpackをimport していく

特徴量を返すget featを修正しフーリエ変換から得られたパワースペクトルを返すように。フーリエ変換自体はライブラリが行ってくれるので簡単に変更できる

変更した関数の確認動作をも兼ねてサンプル音声のパワースペクトルを描画

get feat関数内にパワースペクトルの描画処理を追加

get featにhi.wav (高音音声）とlo.wav(低音音声）をサンプルデータとして与える

２つのパワースペクトルが表示された　　縦軸＝音量のデシベル、横軸＝周波数

　　　↓hi.wav

                   ↓lo.wav

どの周波数がどれくらい出ているか分かったので　これを特徴量として学習させれば話者認識の精度が高められる

動作の確認ができたので描画の部分はコメントアウト

#plt.plot(fft_dreq,y)

#plt.show

  return y

どの周波数がどれほど出ているか解析結果を特徴量として使い音声データの学習と予測を行う

＃学習させて結果を取得させる

#教師データとテストデータに分ける

train_X,test_X,train_y,test_y =train_test_split(data_X,data_y,random_state=11813)

print("{}->{},{}".format(len(data_X),len(train_X),ken(test_X)))

clf= svm.SVC(gamma=0.0001,C=1)

clf.fit(train_X,train_y.T[0])

ok_count=0

for X,y in zip(test_X,test_y):

   actual =clf.predict(np.array([X]))[0]

   expected = y[0]

   file_name = y[1]

   ok_count +=1 if actual == expected else 0

   result = 'o' if actual ==expected else 'x'

   print("{} file:{},actual:{},expected:{}".format(result,file_name,actual,expected))

print("{}/{}".format(ok_count,len(test_X)))

正答率　が１２個中5個　なのでSVMのパラメーターを調整してみる
 gamma=0.0000001  C=10に変更

Ｃを大きくすると5分類をより大きく許容できるようになる

正答率が変わった

しかしいきなり結果が良くなると作られた恣意的なデータに見えて胡散臭い。そこで、教師データとテストデータを変更して試してみる

train_test_splitのrandom_stateを１１８１３から８１３に変更

学習させ予測させる

なかなか精度が良いのができた　ちなみに、テストデータの分割方法を他に変えても１０前後の正解数になる。実行結果の内訳を確認する

末尾にsu（su.wav)=授業以外の先生の声　他のデータより数が少ない　授業中の声の調子が違うため認識されていない可能性あり。

最後に問題点を考える　　このチャプターのフーリエ変換で作ったスペクトラムは音声データに対し音声の長さに寄らず1つだけになっている　例として、非常に長い音声ファイルが１つしかなくても特徴量を１つしか取り出すことができない。

特徴量の数が多いほど機械学習精度は期待できるので1つの音声ファイルから複数の特徴量を取得できれば改善することができるかも。