实战：基于特征词的语音唤醒

本章前面介绍了纯理论知识，目的是阐述语音识别的方法。接着搭建了开发环境，让读者可以动手编写代码。下面以识别特定词为例，使用深度学习方法和Python语言实现一个实战项目——基于特征词的语音唤醒。

说明：本例的目的是演示一个语音识别的Demo。如果读者已经安装开发环境，可以直接复制代码运行；如果没有，可学习完本章后再回头练习。我们会在本节中详细介绍每一步的操作过程和设计方法。

本文完整的示例代码链接:

https://pan.baidu.com/s/1jG0tpGzmQr1biFbUy95FWQ?pwd=u5s6 提取码: u5s6

2.3.1 数据的准备

深度学习的第一步（也是重要的步骤）是数据的准备。数据的来源多种多样，既有不同类型的数据集，也有根据项目需求由项目组自行准备的数据集。由于本例的目的是识别特定词语而进行语音唤醒，因此采用一整套专门的语音命令数据集SpeechCommands，我们可以使用PyTorch专门的下载代码获取完整的数据集，代码如下：

#直接下载PyTorch数据库的语音文件

from torchaudio import datasets

datasets.SPEECHCOMMANDS(

root="./dataset", # 保存数据的路径

url='speech_commands_v0.02', # 下载数据版本URL

folder_in_archive='SpeechCommands',

download=True # 这个记得选True

)

SpeechCommands的数据量约为2GB，等待下载完毕后，可以在下载路径中查看下载的数据集，如图2-21所示。

打开数据集可以看到，根据不同的文件夹名称，其中内部被分成了40个类别，每个类别以名称命名，包含符合该文件名的语音发音，如图2-22和图2-23所示。

可以看到，根据文件名对每个发音进行归类，其中包含：

训练集包含51088个WAV语音文件。

验证集包含6798个WAV语音文件。