第2章环境搭建

第2章：环境搭建——TensorFlow 2.x安装、CUDA/cuDNN配置、Librosa与SoundFile音频处理库安装、数据集准备

说实话，环境搭建这事儿，看着简单，但坑是真不少。我见过太多同学，代码写得挺溜，结果卡在装环境这一步，一卡就是两三天。所以这一章，咱们把每一步都走踏实了。

2.1 TensorFlow 2.x 安装——选对版本很重要

TensorFlow 2.x 目前主流是 2.10 到 2.15 这个区间。我个人习惯用 2.12 或 2.13，稳定，生态也好。

安装命令很简单：

pip install tensorflow==2.13.0

但这里有个坑——千万别直接 pip install tensorflow。为啥？因为默认会装最新版，而最新版可能跟你的 CUDA 版本不匹配。我曾经有一次图省事，直接装了最新版，结果跑模型时疯狂报错，查了半天才发现是 CUDA 版本不对。

⚠️ 重要提醒： 如果你用的是 Apple Silicon（M1/M2）芯片，别装普通的 tensorflow，要装 tensorflow-macos。命令是：

pip install tensorflow-macos==2.13.0

这个坑我踩过，当时折腾了一下午。

2.2 CUDA/cuDNN 配置——GPU加速的关键

做语音识别，数据量大，模型复杂，没有 GPU 加速，训练一次可能要等好几天。所以 CUDA 和 cuDNN 的配置，是重中之重。

先确认你的显卡支持 CUDA：

NVIDIA 显卡：GTX 10系列以上基本都支持
AMD 显卡：目前 TensorFlow 官方不支持，得用 ROCm
集成显卡：别想了，老老实实用 CPU 吧

CUDA 和 cuDNN 的版本匹配表：

TensorFlow 版本	CUDA 版本	cuDNN 版本
2.10.x	11.2	8.1
2.12.x	11.8	8.6
2.13.x	11.8	8.6
2.14.x	12.2	8.9

安装步骤：

去 NVIDIA 官网下载对应版本的 CUDA Toolkit
安装时选择「自定义安装」，只勾选 CUDA 组件
下载 cuDNN，解压后把文件复制到 CUDA 安装目录
配置环境变量（PATH 里加上 CUDA 的 bin 和 libnvvp 目录）

💡 我的小技巧： 装完 CUDA 后，在命令行输入 nvcc --version 检查版本。如果显示正常，再跑一下 nvidia-smi 看看驱动状态。两个都对了，再装 cuDNN。

验证 GPU 是否可用：

import tensorflow as tf
print("GPU可用:", tf.config.list_physical_devices('GPU'))

如果输出是空列表，别慌。先检查驱动，再检查版本匹配。我遇到过最奇葩的一次，是装了 CUDA 但忘了重启电脑……

2.3 Librosa 与 SoundFile 安装——音频处理的左膀右臂

做语音识别，Librosa 是绕不开的库。它封装了音频读取、特征提取、时频变换等常用功能。SoundFile 则是一个轻量级的音频读写库，支持多种格式。

安装命令：

pip install librosa soundfile

Librosa 依赖比较多，安装时可能会报错。最常见的是 llvmlite 或 numba 版本冲突。解决办法是：

pip install --upgrade numba llvmlite
pip install librosa --no-deps
pip install soundfile

  📌 重点： Librosa 默认读取音频时，采样率会变成 22050Hz。如果你需要原始采样率，记得加上 sr=None 参数。我刚开始做项目时没注意这个，结果特征提取全错了，白跑了两天实验。

测试安装是否成功：

import librosa
import soundfile as sf

# 读取音频
audio, sr = librosa.load('test.wav', sr=None)
print(f"采样率: {sr}, 时长: {len(audio)/sr:.2f}秒")

# 写入音频
sf.write('output.wav', audio, sr)

2.4 数据集准备——从哪找数据？怎么处理？

语音识别领域，数据集就是命根子。没有好的数据，模型再牛也白搭。

常用中文语音数据集：

THCHS-30：清华大学的免费中文数据集，1万条语音，适合入门
AISHELL-1：178小时中文语音，质量很高，但需要申请
Free ST Chinese Mandarin Corpus：免费，约10小时，适合小项目
Common Voice (中文部分)：Mozilla 开源项目，众包采集，质量参差不齐

数据集处理流程：

下载解压：注意文件格式，常见的是 WAV 或 FLAC
检查采样率：统一到 16kHz 或 22.05kHz
去除静音段：用 Librosa 的 effects.split 方法
生成标注文件：CSV 或 JSON 格式，包含音频路径和对应文本
划分数据集：训练集 80%、验证集 10%、测试集 10%

⚠️ 避坑指南： 我曾经用过一个数据集，里面有些音频文件是损坏的。训练到一半突然报错，排查了好久才发现是数据问题。所以建议你在处理数据时，加一段校验代码：

import librosa
import os

def check_audio(file_path):
    try:
        audio, sr = librosa.load(file_path, sr=None)
        return True
    except:
        return False

# 遍历所有音频文件
for file in os.listdir('audio_folder'):
    if not check_audio(file):
        print(f"损坏文件: {file}")

数据增强（可选但推荐）：

如果你数据量不够，可以做些简单的增强：

加噪声：从噪声库中随机叠加一段背景音
变速：把音频速度调快或调慢 10%
变调：改变音高，模拟不同说话人

💡 我的经验： 数据增强不是越多越好。我试过把数据量扩增 10 倍，结果模型反而变差了。后来发现是噪声加得太重，把语音特征都盖住了。建议增强比例控制在 1:1 到 1:3 之间。

2.5 环境验证——跑通第一个语音识别 Demo

所有东西装好后，咱们跑个简单的 Demo 验证一下：

import tensorflow as tf
import librosa
import numpy as np

# 1. 检查 GPU
print("GPU:", tf.config.list_physical_devices('GPU'))

# 2. 读取音频
audio, sr = librosa.load('test.wav', sr=16000)

# 3. 提取 MFCC 特征
mfcc = librosa.feature.mfcc(y=audio, sr=sr, n_mfcc=13)
print(f"MFCC 形状: {mfcc.shape}")

# 4. 构建一个简单的模型
model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(mfcc.shape[0], mfcc.shape[1])),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.summary()
print("✅ 环境搭建成功！")

如果这段代码能顺利跑完，恭喜你，环境搭建完成了！

嗯，说实话，环境搭建这一步确实繁琐，但磨刀不误砍柴工。后面咱们写代码、跑模型的时候，你就会感谢今天花时间把环境配好了。下一章，咱们正式开始讲语音信号处理的基础知识。

📚 课程目录