Praat脚本-027 | 通过基频曲线的距离做一个声调判别器_python

基频曲线的距离应用

一、研究目的
二、相似度概念
三、数据说明
四、技术方案
- 1. 方案一
- 2. 方案二
五、步骤
- 1. 提取训练集的数据
- 2. 提取测试集的数据
- 3. 第一方案实现
- 4. 第二方案实现
- 5. 结果分析
六、获取脚本
版权说明

一、研究目的

我们已经知道如何利用Praat脚本提取基频（见文章，Praat脚本-009 | 提取时长和基频），另外也针对Praat提取的基频值，和工程上的一些工具提取的值进行了比较（见文章，Praat提取的基频可以工程应用吗？）。

我们来试着进行一个实验，首先引进一个曲线距离（或称相似度）的概念，当我们提取一个音节的10个点的基频值的时候，这时候其实是相当于用有限的点来描述这个曲线的样子。

如图所示，观察这两条基频曲线的时候，我们是否可以有一个尺度来衡量两条曲线的相似性？或者也可以定义为两条曲线的距离，当这个距离特别小的时候，说明这两条曲线是很相似的，认为这两条曲线描述的声调是一个类别的。

这样，我们可以相当于得到一个简单的声调分类器，用来对声调进行分类，当然这样的比较是很有限的，因为前提是我们知道所有样本的空间一共有几种声调。

作为尝试，我们使用的是中文普通话的数据，但是这样的参考可能实际意义有限，因为中文普通话的声调，相对比较稳定，在语流中变化不大，但是抛砖引玉，由这个小小的实验，希望能对研究其它方言区域的声调，或者其它语言的声调分类的研究有所帮助。

在此省略有关于基频和声调表征是否有密切联系？有多大的联系？的此类文章，有兴趣的朋友可去学术网站，获取更有力的表述。

本文默认它们是有密切关系的。

二、相似度概念

将10个点的基频值看成一条曲线，与另外一条曲线，计算距离时，我们引入欧几里得度量（Euclidean Metric）（也称欧氏距离），这是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。

在二维和三维空间中的欧氏距离就是两点之间的实际距离。

二维空间的公式为，

根据这个公式，我们将两条曲线每个对应的点，代入公式，计算每相对应的两个点之间的距离，最后将它们的距离的平方相加，并且取平方根。

关于距离度量的其它计算方式，可在网上搜索相关理论，这里只是比较常用和简单的一种。

三、数据说明

为了进行我们的实验，我们还是选取开源数据集，标贝的中文数据，这批数据是精标过的，有明确的声调分类（见文章，推荐 | 实用的开源数据(更新中)）。

在本站的github项目里也有这个数据，提供了100句的对应音频和TextGrid的压缩包。

首先我们留出5句作为测试样本集合，其它95句作为训练的样本，或者叫作为标准的样本集合。

所以这里的问题就是训练集的选择很重要，小伙伴如果自己做实验，这里作为标准的集合一定要是能够更好的代表这个类别的典型特征。

四、技术方案

对于作为比较标准的训练集，我们有两个办法比较，原则上为了利用上欧氏距离，我们需要让标准样本和待比较样本有相同的数值维度，即都为10个点或者20个点，我们这里选取10个点。

第一种方案我们首先计算每个声调分类所有样本点，每个点的平均值，这样得到一个10个点的标准值用于比较；第二种方案，我们将待测试样本的10个点和我们的训练数据每个样本都计算一个距离，然后根据训练数据的分类，每个分类计算这些距离的平均值；

1. 方案一

对于95句的用于当作标准的数值的数据，提取了每个音节的10个点的基频值之后，根据被标注的音节的声调，分成5类（这个是标贝开源数据里的分类，对应汉语普通话的1，2，3，4和轻声），然后分别对这5类的样本求一个总的平均值样本。

这个平均值样本是10个点每个点的平均值。

这里的平均值，我们假定当成本次实验的标准值。

然后对于测试样本，用测试样本的10个点，来和5个类别的平均值样本计算一个距离，显然，我们将距离最小的那个认为是属于这个类别的，如图所示，我们认为这个测试样本应该是声调类别3。

2. 方案二

对于95句的用于当作标准的数值的数据，提取了每个音节的10个点的基频值之后，根据被标注的音节的声调，分成5类（这个是标贝开源数据里的分类，对应汉语普通话的1，2，3，4和轻声），这个方案不计算平均值，对于测试样本，用测试样本的10个点，来和每个类别中的所有样本计算距离，最终根据类别，计算这个类别里距离的平均值，显然，我们将平均距离最小的那个认为是属于这个类别的，如图所示，我们认为这个测试样本应该是声调类别3。

五、步骤 1. 提取训练集的数据

这一步完全参考前面的文章，Praat脚本-009 | 提取时长和基频。

通过脚本计算出作为标准值的95句话的所有的基频数值。

2. 提取测试集的数据

同样，我们也提取出留作测试的5句话的结果。

3. 第一方案实现

先按照第一种方案，我们将前面提到的标准值的数据result_duration_pitch.txt，拷贝到Excel中，这里为了进行分类排序，在Excel中使用一个函数将每个音节的声调值单独提取出来。

增加一列，在这里输入=right(b2)，回车之后，会把B2单元格的声调值提取出来。

然后通过拖动C2单元格右下角的黑点，自动填充这一列。

接下来按分类这一列，排序。

接下来，我们在Excel里，先根据分类这一列排序，再点击数据菜单里的，分类汇总，在出来的对话框里，分类字段选择分类，汇总方式选择平均值，汇总项将Pitch1-Pitch10都选上，最后点确定。