音频数据建模全流程代码示例：通过讲话人的声音进行年龄预测（2）

与此亲切联系的是灌音的长度。灌音越长，能说的单词就越众。因而盘算一下灌音的长度和单词被说出的速率。

3. 节拍说话是一种十分顺耳的信号，每个别都有本身特殊的谈话方法和语速。因而，能够提取的另一个特点是谈话的节拍，即正在音频信号中能够检测到的节奏数。

4. 基频基频是周期音响闪现时的最低频率。正在音乐中也被称为音高。正在之前看到的谱图图中，基频(也称为f0)是图像中最低的亮秤谌条带。而正在这个根基音之上的带状图案的反复称为谐波。为了更好地阐明确凿旨趣，下面提取基频，并正在谱图中画出它们。

正在 100 Hz 相近看到的绿线是根基频率。可是若何将其用于特点工程呢？能够做的是盘算这个 f0 的的确特点。

现正在咱们大白了音频数据是什么姿势以及若何打点它，让咱们对它举办适宜的 EDA。最先下载一个数据集Kaggle 的 Common Voice 。这个 14 GB 的大数据集只是来自 Mozilla 的 +70 GB 大数据集的一个小的疾照。看待本文这里的示例，将只操纵这个数据集的大约 9000 个音频文献的子样本。

除了 words_per_second，这些特点分散中的民众半都是右偏的，因而能够从对数转换中获益。

很众了，但兴趣的是 f0 特点相似都具有双峰分散。让咱们绘制与以前一样的内容，但此次按性别隔离。

正如困惑的那样，这里相似存正在性别效应！但也能够看到，少许 f0 分数（这里希奇是男性）比应有的低和高得众。因为特点提取不良，这些或许是特殊值。周详看看下图的所稀有据点。

鉴于特点的数目很少，并且有相当美丽的带有显明尾部的分散，能够遍历它们中的每一个，并逐一特点地确定特殊值截止阈值。下一步，看看扫数特点之间的联系性。但正在如此做之前必要对非数字方向特点举办编码。能够操纵 scikit-learn 的 OrdinalEncoder 来推广此操作，但这或许会破损年齿特点中的无误按次。因而正在这行家动举办照射。

十分兴趣！提取的 f0 特点相似与性别方向有相当强的合联，而年齿相似与任何其他的特点都没有太大的联系性。目前还没有查看实践灌音。正如之前看到的，有良众抉择（即波形或 STFT、mel 或 mfccs 频谱图）。音频样本的长度都分别，这意味着频谱图也会有分别的长度。因而为了准则化扫数灌音，最先要将它们剪切到正好 3 秒的长度：太短的样本会被填充，而太长的样本会被剪掉。一朝盘算了扫数这些频谱图，咱们就能够持续对它们推广少许 EDA！并且由于看到“性别”相似与灌音有特别的合联，因而判袂可视化两种性其余均匀梅尔谱图，以及它们的差别。

男性谈话者的均匀音响低于女性。这能够通过差别图中的较低频率（正在血色秤谌区域中看到）的更众强度来看出。

操纵 TensorflowHub 的预操练神经汇集举办特点提取，然后正在这些高级特点上操练浅层或深层模子

操纵TensorflowHub现有模子提取的高级特点，将它们与其他外格数据连合起来，并将其视为外格数据集

当然，有很众分别的格式和其他格式可认为筑模局限创筑数据集。由于咱们没有操纵全量的数据，因而正在本文咱们操纵最大略的机械练习模子。

这里操纵EDA获取数据，与一个大略的 LogisticRegression 模子连合起来，看看咱们能正在众大水准上预测谈话者的年齿。除此以外还操纵 GridSearchCV 来研究分别的超参数组合，以及推广交叉验证。

动作上述 DataFrame 输出的填充，还能够将职能得分绘制为研究的超参数的函数。可是由于操纵了有众个缩放器和 PCA ，因而必要为每个孤独的超参数组合创筑一个孤独的图。

正在图中，能够看到总体而言模子的显露同样优越。当低浸 C 的值时，有些会闪现更疾的“降低”，而另少许则显示操练和测试（这里实践上是验证）分数之间的差异更大，加倍是当咱们不操纵 PCA 时。

固然该模子也许检测到比其他模子更众的 20 岁样本（左混杂矩阵），但总体而言，它实践上正在对 10 岁和 60 岁的条款举办分类方面效益更好（比方，确凿率判袂为 59% 和 55%）。

正在这篇作品中，最先看到了音频数据是什么样的，然后能够将其转换成哪些分别的样子，若何对其举办算帐和研究，结尾若何将其用于操练少许机械练习模子。假若您有任何题目，请随时公布评论。结尾本文的源代码正在这里下载：作家：Michael Notter