我正在尝试为英语语音开发一个错误发音检测模型。我使用 TIMIT 数据集，这是音素标记的音频数据集。
音素是任何感知上不同的声音单位。因此，我的数据集看起来像一个音频文件和对应于该音频的音素字符串。前任：
SX141.wav -> pl eh zh tcl t ax-h pcl p axr tcl t ih s pcl p ey dx ih n ax v aa dx ix z ix kcl kw aa dx ix kcl k ah m pcl p tcl t ih sh ix n
所以，问题是过拟合。我的模型非常擅长训练，但在测试方面很差。所以正因为如此，我想尝试综合增加我的数据集。也许改变音频的速度或添加一些背景噪音等。
是否有任何现成的解决方案可以将音频数据集加倍？或者，如何改变速度并在音频文件上添加一些噪音？会有帮助吗？
我没有找到现成的解决方案。我自己解决了这个任务。
增速。
from scipy.io.wavfile import read, write
Fs, data = read(filename)
write(destination, int(Fs*1.25), data)
我保存文件并将其频率提高 1.25。
添加噪音。
import numpy as np
from scipy.io.wavfile import read, write
Fs, data = read(filename)
data_noise = np.random.normal(0, .2, data.shape)
write(destination, int(Fs), data+data_noise)
在这里，我生成噪声数组并将其添加到原始 wav 信号中。