Speech emotion recognition implemented in Keras (LSTM, CNN, SVM, MLP) | 语音情感识别
用 LSTM、CNN、SVM、MLP 进行语音情感识别,Keras 实现。
改进了特征提取方式,识别准确率提高到了 80% 左右。原来的版本的存档在 First-Version 分支。
English Document | 中文文档
Python 3.6.7
Keras 2.2.4
├── models/ // 模型实现 │ ├── common.py // 所有模型的通用部分(即所有模型都会继承这个类) │ ├── dnn // 神经网络模型 │ │ ├── dnn.py // 神经网络的通用部分 │ │ ├── cnn.py // CNN │ │ └── lstm.py // LSTM │ └── ml.py // SVM & MLP ├── extract_feats/ // 特征提取 │ ├── librosa.py // librosa 提取特征 │ └── opensmile.py // Opensmile 提取特征 ├── utils/ │ ├── files.py // 用于整理数据集(分类、批量重命名) │ ├── opts.py // 使用 argparse 从命令行读入参数 │ └── common.py // 加载模型、绘图(雷达图、频谱图、波形图) ├── features/ // 存储提取好的特征 ├── config/ // 配置参数(.yaml) ├── train.py // 训练模型 ├── predict.py // 用训练好的模型预测指定音频的情感 └── preprocess.py // 数据预处理(提取数据集中音频的特征并保存)
英文,24 个人(12 名男性,12 名女性)的大约 1500 个音频,表达了 8 种不同的情绪(第三位数字表示情绪类别):01 = neutral,02 = calm,03 = happy,04 = sad,05 = angry,06 = fearful,07 = disgust,08 = surprised。
英文,4 个人(男性)的大约 500 个音频,表达了 7 种不同的情绪(第一个字母表示情绪类别):a = anger,d = disgust,f = fear,h = happiness,n = neutral,sa = sadness,su = surprise。
德语,10 个人(5 名男性,5 名女性)的大约 500 个音频,表达了 7 种不同的情绪(倒数第二个字母表示情绪类别):N = neutral,W = angry,A = fear,F = happy,T = sad,E = disgust,L = boredom。
汉语,4 个人(2 名男性,2 名女性)的大约 1200 个音频,表达了 6 种不同的情绪:neutral,happy,sad,angry,fearful,surprised。
安装依赖:
pip install -r requirements.txt
安装 Opensmile。
configs/文件夹中的配置文件(YAML)里配置参数。
其中 Opensmile 标准特征集目前只支持:
IS09_emotion:The INTERSPEECH 2009 Emotion Challenge,384 个特征;
IS10_paraling:The INTERSPEECH 2010 Paralinguistic Challenge,1582 个特征;
IS11_speaker_state:The INTERSPEECH 2011 Speaker State Challenge,4368 个特征;
IS12_speaker_trait:The INTERSPEECH 2012 Speaker Trait Challenge,6125 个特征;
IS13_ComParE:The INTERSPEECH 2013 ComParE Challenge,6373 个特征;
ComParE_2016:The INTERSPEECH 2016 Computational Paralinguistics Challenge,6373 个特征。
extract_feats/opensmile.py中的
FEATURE_NUM项。
首先需要提取数据集中音频的特征并保存到本地。Opensmile 提取的特征会被保存在
.csv文件中,librosa 提取的特征会被保存在
.p文件中。
python preprocess.py --config configs/example.yaml
其中,
configs/example.yaml是你的配置文件路径。
configs/中配置,相同情感的音频放在同一个文件夹里(可以参考
utils/files.py整理数据),如:
└── datasets ├── angry ├── happy ├── sad ...
然后:
python train.py --config configs/example.yaml
用训练好的模型来预测指定音频的情感。checkpoints 分支和 release 页面有一些已经训练好的模型。
python predict.py --config configs/example.yaml
画出预测概率的雷达图。
来源:Radar
from utils.common import Radar ''' 输入: data_prob: 概率数组 class_labels: 情感标签 ''' Radar(data_prob, class_labels)
播放一段音频
from utils.common import playAudio playAudio(file_path)
画训练过程的准确率曲线和损失曲线。
from utils.common import plotCurve ''' 输入: train(list): 训练集损失值或准确率数组 val(list): 验证集损失值或准确率数组 title(str): 图像标题 y_label(str): y 轴标签 ''' plotCurve(train, val, title, y_label)
画出音频的波形图。
from utils.common import Waveform Waveform(file_path)
画出音频的频谱图。
from utils.common import Spectrogram Spectrogram(file_path)