Question

我想知道哪里可以开始使用语音识别。不是图书馆或任何相当“黑盒子”的东西“而是，我想知道我在哪里可以实际制作一个简单的语音识别脚本。我做了一些搜索并发现，并不多，但我所看到的是有“声音”或音节的词典可以拼凑在一起形成文本。所以基本上我的问题是我可以从哪里开始这个？

另外，由于这有点乐观，我也可以在我的程序中使用库（现在）。我看到文本库和API的一些演讲只吐出一个结果。这没关系，但这是不可能的。我当前的程序已经检查语法和输入的任何文本的所有内容，所以如果我要说，从语音到文本软件的前十个结果，它可以检查每个并排除任何没有意义的文本

Answer 1

如果您真的想从头开始理解语音识别，请为python寻找一个好的信号处理软件包，然后单独阅读该软件的语音识别。

但是语音识别是一个非常复杂的问题（主要是因为当我们说话时，声音以各种方式相互作用）。即使你从最好的语音识别库开始，你也可以亲自动手，你决不会发现自己没有更多的事可做。

Answer 2

更新：此功能不再适用

因为谷歌关闭了她的平台

-

您可以使用https://pypi.python.org/pypi/pygsr

$> pip install pygsr

示例用法：

from pygsr import Pygsr
speech = Pygsr()
# duration in seconds
speech.record(3)
# select the language
phrase, complete_response = speech.speech_to_text('en_US')

print phrase

Answer 3

Pocketsphinx也是一个不错的选择。通过SWIG提供的Python绑定可以很容易地集成到脚本中。

例如：

from os import environ, path
from itertools import izip

from pocketsphinx import *
from sphinxbase import *

MODELDIR = "../../../model"
DATADIR = "../../../test/data"

# Create a decoder with certain model
config = Decoder.default_config()
config.set_string('-hmm', path.join(MODELDIR, 'hmm/en_US/hub4wsj_sc_8k'))
config.set_string('-lm', path.join(MODELDIR, 'lm/en_US/hub4.5000.DMP'))
config.set_string('-dict', path.join(MODELDIR, 'lm/en_US/hub4.5000.dic'))
decoder = Decoder(config)

# Decode static file.
decoder.decode_raw(open(path.join(DATADIR, 'goforward.raw'), 'rb'))

# Retrieve hypothesis.
hypothesis = decoder.hyp()
print 'Best hypothesis: ', hypothesis.best_score, hypothesis.hypstr

print 'Best hypothesis segments: ', [seg.word for seg in decoder.seg()]

# Access N best decodings.
print 'Best 10 hypothesis: '
for best, i in izip(decoder.nbest(), range(10)):
    print best.hyp().best_score, best.hyp().hypstr

# Decode streaming data.
decoder = Decoder(config)
decoder.start_utt('goforward')
stream = open(path.join(DATADIR, 'goforward.raw'), 'rb')
while True:
    buf = stream.read(1024)
    if buf:
        decoder.process_raw(buf, False, False)
    else:
        break
decoder.end_utt()
print 'Stream decoding result:', decoder.hyp().hypstr

Answer 4

对于那些想要深入了解Python语音识别主题的人来说，这里有一些链接：

http://www.slideshare.net/mchua/sigproc-selfstudy-17323823 - Python中的信号处理，包括最有趣的音频信号。

Answer 5

Dragonfly为Windows上的语音识别提供了一个干净的框架。检查他们的Documentation示例用法。由于您没有寻找Dragonfly提供的大规模功能，因此您可能需要查看不再维护的PySpeech库。

他们的源代码看起来很容易理解，也许这就是你想要先看的内容

Answer 6

我知道这个问题已经陈旧，但仅限于未来的人们：

我使用speech_recognition - 模块，我喜欢它。 ~~唯一的问题是，它需要互联网，因为它使用谷歌识别语音。但在大多数情况下，这不应该是一个问题。~~识别工作几乎完美。

修改

speech_recognition软件包可以使用的不仅仅是谷歌翻译，包括CMUsphinx（允许离线识别）等。唯一的区别是识别命令的微妙变化：

https://pypi.python.org/pypi/SpeechRecognition/

这是一个小代码示例：

import speech_recognition as sr r = sr.Recognizer() with sr.Microphone() as source: # use the default microphone as the audio source audio = r.listen(source) # listen for the first phrase and extract it into audio data try: print("You said " + r.recognize_google(audio)) # recognize speech using Google Speech Recognition - ONLINE print("You said " + r.recognize_sphinx(audio)) # recognize speech using CMUsphinx Speech Recognition - OFFLINE except LookupError: # speech is unintelligible print("Could not understand audio")

只有一件事对我不起作用：在无限循环中聆听。几分钟后，它就会挂断。（它没有崩溃，它只是没有响应。）

编辑：如果要在没有无限循环的情况下使用麦克风，则应指定录制长度。示例代码：

import speech_recognition as sr r = sr.Recognizer() with sr.Microphone() as source: print("Speak:") audio = r.listen(source, None, "time_to_record") # recording

Answer 7

这可能是最重要的要学习的东西：基本概念信号处理，特别是数字信号处理（DSP）。对抽象概念的一点了解将为您做准备 scipy.signal中令人困惑的工具聚宝盆。

首先是模数转换（ADC）。这真的在领域如今是录音过程的一部分，即使您所做的只是将麦克风连接到计算机上。

如果您从模拟录音开始，这可能是一个问题将旧的录音带或黑胶唱片打成数字形式，或从旧的录像带中提取音频。最容易玩的将其输入计算机的音频输入插孔并使用内置的捕获原始线性脉冲编码调制的硬件和软件（LPCM）数字信号到文件。您提到的Audacity是一个很棒的工具，还有更多。

傅立叶变换是您的朋友。用数据科学的术语是非常适合特征提取和特征空间尺寸缩减，特别是如果您正在寻找能够改变声音变化的功能在整个样本过程中。这里没有空间可以解释，但是时域中的原始数据对于机器学习而言要困难得多算法要比频域中的原始数据处理。

特别是，您将使用快速傅立叶变换（FFT），离散傅里叶变换（DFT）的一种非常有效的形式。如今 FFT通常在DSP硬件中完成。

Answer 8

import speech_recognition as SRG 
import time
store = SRG.Recognizer()
with SRG.Microphone() as s:
     
    print("Speak...")
     
    audio_input = store.record(s, duration=7)
    print("Recording time:",time.strftime("%I:%M:%S"))
    
    try:
        text_output = store.recognize_google(audio_input)
        print("Text converted from audio:\n")
        print(text_output)
        print("Finished!!")
 
        print("Execution time:",time.strftime("%I:%M:%S"))
    except:
           print("Couldn't process the audio input.")

这应该有效。您会将来自默认麦克风的音频输入保存为 text_output 变量中的文本形式。您可以查看此链接了解更多信息：https://www.journaldev.com/37873/python-speech-to-text-speechrecognition

我们基本上做的是首先从麦克风录制音频，然后我们使用该音频作为语音识别器的输入。唯一的问题是您需要有效的互联网连接以及这两个必需的 Python 库 speech_recognition 和 pyaudio。

开始使用语音识别和python

8 个答案:

更新：此功能不再适用