悟空听声就能辨别妖怪

悟空见八戒神情变得如此严肃，知道他也着急找师父，于是说话语气也缓和下来。轻声问道：“八戒，你先说说你是怎么根据声音分辨妖怪的？”

八戒难过地说道：“我对声音不太敏感，一般是根据生活经验进行分辨。”

八戒的方法

八戒开始向悟空讲述他的生活经验。每种妖怪的声音各异，发声形式也不同，有的唱歌，有的说话，有的还身后跟着一堆小妖怪吵吵闹闹，有的妖怪所处的环境很嘈杂，有的妖怪还会变声模仿。

也就是说，八戒一般是从声音的来源、内容、发声的环境和悦耳程度这几个角度来判断是不是妖怪。但是，根据这些声音特点来辨别妖怪有时容易有时困难。例如，一个妖怪与一群妖怪发出的声音会有区别。当一群妖怪同时嚷嚷时，一般表现为嘈杂音，还需要从中分辨出主要的发声来源。如果只有一个妖怪喊叫，只需辨别这一种声音的发声来源即可。确定了发声来源后，仔细辨别这个声音的内容，有时遇到外语还需要翻译一下。

除了说话内容，还要思考一下是从哪里发出的声音。打了这么多妖怪，总结一下，妖怪的藏身处主要集中在山洞里、水底下，妖怪出没时，会飞的在天上，不会飞的一般在荒郊野外。还有一些自带背景音乐的妖怪，弹琵琶的、跳舞的、唱歌的。这类妖怪的声音一般都有旋律且悦耳动听，我就想再思考思考是哪种乐器、哪种节奏。

八戒的困惑

悟空听八戒说完，点点头，说道：“你说的都有道理，可是你已经被这山里的妖怪欺骗了两次，你总结出问题所在了吗？”

八戒挠挠头，说道：“猴哥，这个小妖怪太狡猾了，会模仿人的声音。真是防不胜防呀，我老猪使出绝招，竟还是没能听出这假观音的声音有啥不对。”

悟空安慰道：“这些妖怪都很狡猾，会模仿别人的声音，要想练得真正的辨声本领，还需要学习如何分辨出真假声音。”

悟空继续跟八戒交流辨音的方法：“八戒，其实每种声音都有自己独特的音色，模仿得再像也会与原声有所差别，我们需要仔细辨认其特征。”

根据八戒的方法，可以先将声音分为噪音、纯语音、带背景音的语音、音乐四类，然后再具体归纳出每一类声音的规律、特点。实际上，借助人工智能技术，可以从声音的不同层面分析不同音频的特点。

八戒突然想到悟空的顺风灵耳，急切地问道：“猴哥，那你能不能给我演示一下你的顺风灵耳是怎么实现声音分类的？”

悟空点点头，说道：“当然可以啦。”

悟空的顺风灵耳

悟空和八戒来到EasyDL平台。

悟空说道：“妖怪一般都是从各种动物修炼成人形的，但是他们的声音还保留原本的特点。今天，我给你演示一下如何区分不同动物的声音，掌握动物声音分类技能。你再遇到妖怪时，就要仔细辨别一下是哪个动物变的。”

八戒点点头，认真看着悟空操作。

实验1

动物声音分类

第一步　创建模型

这个阶段的主要任务是选择平台类型，确定模型类型，配置模型基本信息（包括名称等），并记录希望模型实现的功能。

（1）打开EasyDL平台主页，网址为https://ai.baidu.com/easydl/，如图5-1所示。

点击图5-1中的按钮，显示如图5-2所示的“快速开始”选择框。训练平台选择，模型类型选择，点击按钮，显示如图5-3所示的操作台页面。

图5-1　EasyDL平台主页

图5-2　选择平台版本和模型类型

（2）在图5-3显示的操作台页面创建模型。

点击操作台页面中的按钮，显示的页面如图5-4所示，填写模型名称动物声音分类，模型归属选择，填写联系方式、功能描述等信息，点击按钮，完成模型创建。

图5-3　操作台页面

图5-4　创建模型

（3）模型创建成功后，可以在中看到刚刚创建的模型动物声音分类，如图5-5所示。

图5-5　模型列表

第二步　准备数据

这个阶段的主要任务是根据具体声音分类的任务准备相应的数据集，并把数据集上传到平台，用来训练模型。

（1）准备数据集。

首先扫描封底二维码下载压缩包，在［下册-第5章-实验1］中找到训练模型所需的声音数据。对于动物声音分类任务，我们准备了四种动物的叫声，分别为猫叫、狗叫、猪叫、牛叫。

然后，需要将准备好的声音数据按照分类存放在不同的文件夹里，文件夹名称即为声音对应的类别标签（cat、dog、pig、cow），此处要注意，声音类别名即文件夹名称，需要采用字母、数字或下划线的格式，不支持中文命名。

最后，将所有文件夹压缩，命名为sound.zip，压缩包的结构示意图如图5-6所示。

图5-6　压缩包结构示意图

（2）上传数据集。

点击图5-7显示的中的按钮，进行数据集创建。如图5-8所示，填写数据集名称，点击按钮，选择sound.zip压缩包。可以在如图5-9所示的页面中下载示例压缩包，查看数据格式要求。

选择好压缩包后，点击按钮，成功上传数据集。

图5-7　创建数据集

图5-8　选择压缩包

图5-9　上传数据集

（3）查看数据集。

上传成功后，可以在中看到数据的信息，如图5-10所示。数据上传后，需要一段处理时间，大约几分钟，然后就可以看到数据上传结果，如图5-11所示。

点击，可以看到数据的详细情况，如图5-12所示。

图5-10　数据集展示

图5-11　数据上传结果

图5-12　数据集详情

第三步　训练模型并校验结果

在前两步已经创建好了一个声音分类模型，并且创建了数据集。本步骤的主要任务是用上传的数据一键训练模型，并且模型训练完成后，可在线校验模型效果。

（1）训练模型。

在第二步的数据上传成功后，在中，选择之前创建的动物声音分类模型，添加分类数据集，开始训练模型。训练时间与数据量有关，在训练过程中，可以设置训练完成的短信提醒并离开页面，如图5-13～图5-16所示。

图5-13　添加数据集

图5-14　选择数据集

图5-15　训练模型

图5-16　模型训练中

（2）查看模型效果。

模型训练完成后，在列表中可以看到模型效果以及详细的模型评估报告，如图5-17和图5-18所示。从模型训练的整体情况可以看出，该模型的训练效果还是比较优异的。

图5-17　模型训练结果

图5-18　模型整体评估

（3）校验模型。

我们可以在中对模型的效果进行校验。

首先，点击按钮，如图5-19所示，大约需要等待5分钟。

图5-19　启动校验服务

然后，准备一条声音数据，点击按钮添加音频，如图5-20所示。

图5-20　添加音频

最后，使用训练好的模型对上传的音频进行预测，如图5-21所示，显示属于猫（cat）叫的概率是99.99%。

图5-21　校验结果

就这样，悟空给八戒演示了如何使用顺风灵耳进行动物声音分类。八戒看得津津有味，说道：“猴哥，这也太神奇了，你的顺风灵耳是如何练成的？”

顺风灵耳是如何练成的

声音实际上是一种波，波形上的每一个点存储在.mp3、.wav、.m4a等格式的音频文件中。要对声音进行分类，首先需要对声音波形分帧，也就是把一个声音波形切成一小段一小段的，每小段称为一帧，帧与帧之间是有重叠的。

人工智能针对每一帧，分别提取其声学特征，如音色、音调等，并将它们转换成计算机可以识别的数字信号，然后构建一个声音分类模型，不断对不同声音数据的声学特征进行学习、记忆和理解，让模型像人脑一样变得越来越聪明。这样，在遇到新声音的时候，基于已有的知识就能迅速地进行分类和识别了。