在口语中分割语音音频

Question

我有一个长文本的音频文件，其中不同的部分都以口语“章”开头（由同一个发言者叙述）。有没有办法将音频文件拆分为较小的文件？

我正在考虑删除“ chapter ”中出现的一个单词，将其放在一个单独的音频文件中，然后使用一些工具将原始音频与短片段进行模糊匹配找到“章”出现次数并在这些事件中拆分原始文件。

哪个工具可以做到这一点？ SOX？大胆？

Answer 1

那是可行的。您需要两个步骤：

1. 检测出现的字数
2. 根据时间剪切音频。

要检测时间，您可以使用pocketsphinx trunk中的关键字定位工具，只需从subversion中检出pocketsphinx并构建它。它将安装pocketsphinx_kws二进制文件用于关键字定位。然后你可以在音频中搜索单词时间，这必须是16khz 16bit MSWAV格式：

 pocketsphinx_kws -infile barnabyrudge_07_dickens.wav -kws "chapter"
 ...
 INFO: kws_search.c(229): >>>>DETECTED IN FRAME [2138]
 INFO: kws_search.c(229): >>>>DETECTED IN FRAME [2182]
 INFO: kws_search.c(229): >>>>DETECTED IN FRAME [92149]

帧速率为100帧/秒，因此您可以看到该章节在21.38s和921.49 s处被检测到（当用户说“章节末尾”时）

最好使用较长的短语进行检测，较长的短语检测效果会更好。为了获得最佳检测效果，您可以调整阈值。

要剪切可以使用sox的音频，可以使用trim命令删除开头，使用trim + reverse删除结尾。