Python实用编程，实现语音识别和语音合成！

声音的本质是震动，震动的本质是位移关于时间的函数，波形文件(.wav)中记录了不同采样时刻的位移。

通过傅里叶变换，可以将时间域的声音函数分解为一系列不同频率的正弦函数的叠加，通过频率谱线的特殊分布，建立音频内容和文本的对应关系，以此作为模型训练的基础。

语音识别

梅尔频率倒谱系数(MFCC)通过与声音内容密切相关的13个特殊频率所对应的能量分布，可以使用梅尔频率倒谱系数矩阵作为语音识别的特征。基于隐马尔科夫模型进行模式识别，找到测试样本最匹配的声音模型，从而识别语音内容。

MFCC

梅尔频率倒谱系数相关API：

案例：画出MFCC矩阵：

隐马尔科夫模型

隐马尔科夫模型相关API：

案例：训练 training文件夹 下的音频，对testing文件夹下的音频文件做分类

1、读取training文件夹中的训练音频样本，每个音频对应一个mfcc矩阵，每个mfcc都有一个类别（apple）。

2、把所有类别为apple的mfcc合并在一起，形成训练集。

| mfcc | |

| mfcc | apple |

| mfcc | |

.....

由上述训练集样本可以训练一个用于匹配apple的HMM。

3、训练7个HMM分别对应每个水果类别。 保存在列表中。

4、读取testing文件夹中的测试样本，整理测试样本

| mfcc | apple |

| mfcc | lime |

5、针对每一个测试样本：

1、分别使用7个HMM模型，对测试样本计算score得分。

2、取7个模型中得分最高的模型所属类别作为预测类别。

声音合成

根据需求获取某个声音的模型频域数据，根据业务需要可以修改模型数据，逆向生成时域数据，完成声音的合成。

案例：