相同数量音频文件下ANN语音分类任务X与y形状不匹配求解

你的代码存在多处核心逻辑错误，逐点修正如下：

• 数据集读取逻辑错误：循环读取音频时未做数据存储，data和data2变量每次迭代都被新读取的音频覆盖，最终X仅存储最后一条本人音频的采样序列，y仅存储最后一条他人音频的采样序列，和你预期的36条样本数据集完全不符，两条音频时长不同自然形状不匹配。
• 标签定义完全错误：二分类任务的标签y应为对应样本的类别标识（本人标注为1、他人标注为0即可），你当前直接把他人音频的采样序列赋值给y，完全不符合分类任务的输入要求。
• 输入特征设计不合理：直接用原始音频采样点作为ANN输入，不同音频的时长差异会导致输入维度不统一，需要先做特征归一化处理，要么将所有音频截断/补零到相同长度，要么提取MFCC、梅尔频谱等固定维度的语音特征。
• 模型结构适配错误：二分类任务输出层应设置1个神经元，搭配sigmoid激活函数，你当前设置6个输出神经元与binary_crossentropy损失函数不匹配。

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import tensorflow as tf
import numpy as np
from scipy.io import wavfile
from pathlib import Path
import os

### 配置参数
FIXED_SAMPLE_LEN = 32000 # 统一所有音频长度为32000个采样点，可根据你的音频平均长度调整

### 数据集读取
X = []
y = []

# 读取本人语音，标签设为1
me_path = Path(os.path.abspath('Voiceclassification/Data/me/')).rglob('*.wav')
for path in me_path:
    samplerate, data = wavfile.read(str(path))
    data = data.flatten()
    # 统一长度：过长截断，过短补零
    if len(data) > FIXED_SAMPLE_LEN:
        data = data[:FIXED_SAMPLE_LEN]
    else:
        data = np.pad(data, (0, FIXED_SAMPLE_LEN - len(data)), mode='constant')
    X.append(data)
    y.append(1)

# 读取他人语音，标签设为0
other_path = Path(os.path.abspath('Voiceclassification/Data/other/')).rglob('*.wav')
for path in other_path:
    samplerate, data = wavfile.read(str(path))
    data = data.flatten()
    if len(data) > FIXED_SAMPLE_LEN:
        data = data[:FIXED_SAMPLE_LEN]
    else:
        data = np.pad(data, (0, FIXED_SAMPLE_LEN - len(data)), mode='constant')
    X.append(data)
    y.append(0)

# 转成numpy数组
X = np.array(X)
y = np.array(y)

### 数据集划分与标准化
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=0)
sc = StandardScaler()
x_train = sc.fit_transform(x_train)
x_test = sc.transform(x_test)

### 搭建ANN
ann = tf.keras.models.Sequential()
ann.add(tf.keras.layers.Dense(units=6, activation="relu"))
ann.add(tf.keras.layers.Dense(units=6, activation="relu"))
ann.add(tf.keras.layers.Dense(units=1, activation="sigmoid")) # 二分类输出层改1个神经元

# 编译训练
ann.compile(optimizer="adam",
            loss="binary_crossentropy",
            metrics=['accuracy'])
ann.fit(x_train, y_train, batch_size=8, epochs=100) # 样本量少调小batch_size
ann.save('train_model.model')

如果想要更高的分类准确率，建议替换原始采样点为MFCC语音特征，同时可以加入数据增强（加噪、时间偏移等）提升模型泛化能力，样本量较少的情况下也可以考虑使用SVM等传统机器学习分类器替代ANN。

内容的提问来源于stack exchange，提问作者Bernardo Olisan