我想对不断生成的大量 .wav 文件执行语音识别 .
有越来越多的在线语音到文本API服务（例如Google Cloud Speech，Amazon Lex，Twilio Speech Recognition，Nexmo Voice等）可以很好地用于连接的应用程序，但由于成本和带宽不适合这种用例 .
一个快速谷歌搜索建议CMUSphinx（CMU =卡内基梅隆大学）是语音识别的流行 .
我试过'hello world'的例子：
import edu.cmu.sphinx.api.Configuration;
import edu.cmu.sphinx.api.SpeechResult;
import edu.cmu.sphinx.api.StreamSpeechRecognizer;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
public class Main {
public static void main(String[] args) throws IOException {
Configuration configuration = new Configuration();
configuration.setAcousticModelPath("resource:/edu/cmu/sphinx/models/en-us/en-us");
configuration.setDictionaryPath("resource:/edu/cmu/sphinx/models/en-us/cmudict-en-us.dict");
configuration.setLanguageModelPath("resource:/edu/cmu/sphinx/models/en-us/en-us.lm.bin");
StreamSpeechRecognizer recognizer = new StreamSpeechRecognizer(configuration);
InputStream stream = new FileInputStream(new File("src/main/resources/test.wav"));
recognizer.startRecognition(stream);
SpeechResult result;
while ((result = recognizer.getResult()) != null) {
System.out.format("Hypothesis: %s\n", result.getHypothesis());
}
recognizer.stopRecognition();
}
}
结果有点令人失望 . 'test.wav'文件包含以下音频：
这是第一次发言 . 在沉默的第一个时刻之后，这是第二个发言间隔 . 在第三个沉默时刻之后，这是第三个发言间隔和最后一个发言时间间隔 .
这被解释为：
这是第一个间隔发言...对于沉默的第一个时刻是所有发言的第二个......对于在沉默的那一刻，这是几个在最后说话的时候
大多数单词已被捕获，但输出是乱码到意义丢失的程度 . 然后我下载了一个新闻报道，其中的发音清晰明了，转录完全是胡言乱语 . 它吸收了一个非常醉酒的人会听外语 .
我很想知道是否有人成功使用Sphinx4，如果有的话，做了哪些调整才能使它工作？是否有其他声学/语言模型，词典等...表现更好？我应该考虑针对离线语音转文本的任何其他开源建议吗？
1 回答
事实证明这是一个微不足道的问题，在FAQ中记录：“Q: What is sample rate and how does it affect accuracy”
新闻片段是BBC音频立体声，以44.1 khz录制 .
我将它转换成单声道：
然后下采样到16khz：
现在它运作得很好 . 这是来自新闻文章的转录音频片段：