Speech Emotion Recognition

用 SVM、MLP、LSTM 进行语音情感识别。

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。

Environment

Python 3.6.7

Structure

├── Common_Model.py        // 所有模型的通用部分（即所有模型都会继承这个类）
├── ML_Model.py            // SVM & MLP 模型
├── DNN_Model.py           // LSTM 模型
├── Utils.py               // 加载模型、绘图（雷达图、频谱图、波形图）
├── Opensmile_Feature.py   // Opensmile 提取特征
├── Librosa_Feature.py     // librosa 提取特征
├── SER.py                 // 调用不同模型进行语音情感识别
├── File.py                // 用于整理数据集（分类、批量重命名）
├── Config.py              // 配置参数
├── cmd.py                 // 使用 argparse 从命令行读入参数
├── cmd_example.sh         // 命令行输入样例
├── Models                 // 存储训练好的模型
└── Feature                // 存储提取好的特征

Requirments

Python

scikit-learn：SVM & MLP 模型，划分训练集和测试集
Keras：LSTM 模型
TensorFlow：作为 Keras 的后端
librosa：提取特征、波形图
SciPy：频谱图
pandas：加载特征
Matplotlib：绘图
numpy

Tools

Opensmile：提取特征

Datasets

RAVDESS

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。
SAVEE

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。
EMO-DB

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。
CASIA

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。

Usage

Prepare

安装依赖：

pip install -r requirements.txt

安装 Opensmile。

Configuration

在 Config.py 中配置参数。

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。

如果需要用其他特征集，可以自行修改 FEATURE_NUM 参数。

Command Line Arguments

Long option	Option	Description
`--option`	`-o`	操作 [ `p`：预测音频情感 / `t`：训练模型 ] [ 必需 ]
`--model_type`	`-mt`	模型种类 [ `svm` / `mlp` / `lstm` ] [ 默认：`svm` ]
`--model_name`	`-mn`	要保存或加载的模型文件名 [ 默认：`default` ]
`--load`	`-l`	是否加载已有特征 [ `0`：不加载 / `1`：加载 ] [ 默认：`1` ]
`--feature`	`-f`	提取特征的方式 [ `o`：Opensmile / `l`：librosa ] [ 默认：`o` ]
`--audio`	`-a`	要预测的音频的路径 [ 默认：`default.wav` ]

例子：

训练：

python3 cmd.py -o t -mt 'svm' -mn 'SVM' -l 1 -f 'o'

预测：

python3 cmd.py -o p -mt 'svm' -mn 'SVM' -f 'o' -a [audio path]

cmd_example.sh 中有更多的例子。

Train

数据集路径可以在 Config.py 中配置，相同情感的音频放在同一个文件夹里（可以考虑使用 File.py 整理数据），如：

└── Datasets
    ├── Angry
    ├── Happy
    ├── Sad
    ...

from SER import Train

'''
输入:
	model_name: 模型名称（SVM / MLP / LSTM）
	save_model_name: 保存模型的文件名
	if_load: 是否加载已有特征（True / False）
	feature_method: 提取特征的方法（'o': Opensmile / 'l': librosa）
输出:
	model: 训练好的模型
'''
model = Train(model_name, save_model_name, if_load, feature_method)

Load Model

from Utils import load_model

'''
输入:
	load_model_name: 要加载的模型的文件名
	model_name: 模型名称（SVM / MLP / LSTM）
输出:
	model: 训练好的模型
'''
model = load_model(load_model_name, model_name)

Predict

from SER import Predict
'''
输入:
	model: 已加载或训练的模型
	model_name: 模型名称（SVM / MLP / LSTM）
	file_path: 要预测的文件路径
	feature_method: 提取特征的方法（'o': Opensmile / 'l': librosa）
输出:
	预测结果和概率
'''
Predict(model, model_name, file_path, feature_method)

Extract Feature

Opensmile 提取的特征保存在 .csv 文件中，librosa 提取的特征保存在 .p 文件中。

import Librosa_Feature as of
import Opensmile_Feature as of

'''
输入:
    data_path: 数据集文件夹路径或要预测的音频路径
    feature_path: 保存特征的路径
    train: 是否为训练数据
'''

'''
训练数据:
    输出: 训练数据、测试数据特征和对应的标签
'''
# Opensmile
x_train, x_test, y_train, y_test = of.get_data(data_path, feature_path, train = False)
# librosa
x_train, x_test, y_train, y_test = lf.get_data(data_path, feature_path, train = False)

'''
预测数据:
    输出: 预测数据特征
'''
# Opensmile
test_feature = of.get_data(data_path, feature_path, train = True)
# librosa
test_feature = lf.get_data(data_path, feature_path, train = True)

Load Feature

import Librosa_Feature as lf
import Opensmile_Feature as of

'''
输入:
    feature_path: 特征文件路径
    train: 是否为训练数据
'''

'''
训练数据:
    输出: 训练数据、测试数据和对应的标签
'''
# Opensmile
x_train, x_test, y_train, y_test = of.load_feature(feature_path, train = True)
# librosa
x_train, x_test, y_train, y_test = lf.load_feature(feature_path, train = True)

'''
预测数据:
    输出: 预测数据特征
'''
# Opensmile
test_feature = of.load_feature(feature_path, train = False)
# librosa
test_feature = lf.load_feature(feature_path, train = False)

Radar Chart

画出预测概率的雷达图。

来源：Radar

from Utils import Radar
'''
输入:
    data_prob: 概率数组
'''
Radar(result_prob)

Play Audio

播放一段音频

from Utils import playAudio
playAudio(file_path)

Plot Curve

画训练过程的准确率曲线和损失曲线。

from Utils import plotCurve
'''
输入:
    train(list): 训练集损失值或准确率数组
    val(list): 测试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)

Waveform

画出音频的波形图。

from Utils import Waveform
Waveform(file_path)

Spectrogram

画出音频的频谱图。

from Utils import Spectrogram
Spectrogram(file_path)

Acknowledgements

@Zhaofan-Su 和 @Guo Hui。

WXYsunshy/Speech-Emotion-Recognition