Question

我的MP3音频文件包含计算机留下的语音邮件。

邮件内容始终采用相同的格式，并由相同的计算机语音保留，内容略有不同：

“你今天卖了4辆汽车”（其中4辆可以是从0到9的任何东西）。

我一直试图设置Sphinx，但开箱即用的模型效果不佳。

然后我尝试编写自己的声学模型并且还没有取得更好的成功（30％未被识别是我最好的）。

我想知道语音识别对于这个任务是否有点过分，因为我只有一个声音，一个预期的音频模式和一个非常有限的字典需要被识别。

我可以访问我需要在邮件中搜索的十种声音（口述号码）中的每一种。

是否有非VR方法可以在音频文件中查找声音（如果需要，我可以将MP3转换为其他格式）。

更新：我的此任务解决方案如下

在与Nikolay直接合作之后，我了解到我原来问题的答案是无关紧要的，因为使用Sphinx4和JSGF语法可以达到预期的结果（100％准确度）。

1：由于我的audo文件中的语音非常有限，我创建了一个JSGF语法（ salesreport.gram ）来描述它。我在JSpeech Grammar Format页面上提供了创建以下语法所需的所有信息。

#JSGF V1.0;

grammar salesreport;

public <salesreport> = (<intro> | <sales> | <closing>)+;

<intro> = this is your automated automobile sales report;

<sales> = you sold <digit> cars today;

<closing> = thank you for using this system;

<digit> = zero | one | two | three | four | five | six | seven | eight | nine;

注意： Sphinx在语法中不支持 JSGF标记。如有必要，可以使用正则表达式提取特定信息（在我的案例中销售数量）。

2： 非常重要您的音频文件格式正确。 Sphinx的默认采样率为16Khz（16Khz意味着每秒收集16000个样本）。我使用FFmpeg将我的MP3音频文件转换为WAV格式。

ffmpeg -i input.mp3 -acodec pcm_s16le -ac 1 -ar 16000 output.wav

不幸的是，FFmpeg会依赖于此解决方案。我仍在寻找一种使用Java转换文件的方法，如果/当我找到它时会更新这篇文章。

虽然不需要完成此任务，但我发现Audacity对于处理音频文件很有帮助。它包括许多用于处理音频文件的实用程序（检查采样率和带宽，文件格式转换等）。

3：由于电话音频的最大带宽（音频中包含的频率范围）为8kHz，因此我使用了Sphinx en-us-8khz声学模型。

4：我使用lmtool生成了我的词典 salesreport.dic

5：使用前面步骤中提到的文件和以下代码（Nikolay示例的修改版本），每次都能100％准确地识别我的语音。

public String parseAudio(File voiceFile) throws FileNotFoundException, IOException
{
    String retVal = null;
    StringBuilder resultSB = new StringBuilder();

    Configuration configuration = new Configuration();

    configuration.setAcousticModelPath("file:acoustic_models/en-us-8khz");
    configuration.setDictionaryPath("file:salesreport.dic");
    configuration.setGrammarPath("file:salesreportResources/")
    configuration.setGrammarName("salesreport");
    configuration.setUseGrammar(true);

    StreamSpeechRecognizer recognizer = new StreamSpeechRecognizer(configuration);
    try (InputStream stream = new FileInputStream(voiceFile))
    {
        recognizer.startRecognition(stream);

        SpeechResult result;

        while ((result = recognizer.getResult()) != null)
        {
            System.out.format("Hypothesis: %s\n", result.getHypothesis());
            resultSB.append(result.getHypothesis()
                    + " ");
        }

        recognizer.stopRecognition();
    }

    return resultSB.toString().trim();
}

Answer 1

此类任务的准确性必须为100％。以下是与语法一起使用的代码示例：

public class TranscriberDemoGrammar {

    public static void main(String[] args) throws Exception {
        System.out.println("Loading models...");

        Configuration configuration = new Configuration();

        configuration.setAcousticModelPath("file:en-us-8khz");
        configuration.setDictionaryPath("cmu07a.dic");
        configuration.setGrammarPath("file:./");
        configuration.setGrammarName("digits");
        configuration.setUseGrammar(true);

        StreamSpeechRecognizer recognizer =
            new StreamSpeechRecognizer(configuration);
        InputStream stream = new FileInputStream(new File("file.wav"));
        recognizer.startRecognition(stream);

        SpeechResult result;

        while ((result = recognizer.getResult()) != null) {

            System.out.format("Hypothesis: %s\n",
                              result.getHypothesis());
            }

        recognizer.stopRecognition();
    }
}

您还需要确保采样率和音频带宽都与解码器配置匹配

http://cmusphinx.sourceforge.net/wiki/faq#qwhat_is_sample_rate_and_how_does_it_affect_accuracy

Answer 2

首先，Sphinx仅适用于WAVE文件。对于非常有限的词汇表，Sphinx在使用JSGF语法文件时应该会产生良好的结果（但在听写模式下不是那么好）。我发现的主要问题是它没有提供置信度分数（目前有漏洞）。您可能想要检查另外三种选择：

SpeechRecognizer。它提供易于使用的识别，具有置信度分数和支持语法。这是C＃，但您可以构建本机包装器或自定义服务器。
Google Speech API是一个在线语音识别引擎，每天最多可免费提出50个请求。有几个API，但我喜欢JARVIS。但要小心，因为没有关于此的官方支持或文档，谷歌可能（并且过去已经有）关闭此引擎随时关闭。当然，您会遇到一些隐私问题（可以将此音频数据发送给第三方吗？）。
我最近通过了ISpeech并得到了很好的结果。它提供了自己的Java包装器API，免费用于移动应用程序。与Google API相同的隐私问题。

我自己选择使用第一个选项并在自定义http服务器中构建语音识别服务。在Sphinx得分问题得到解决之前，我发现它是解决Java语音识别的最有效方法。

Java语音识别非常小的字典

2 个答案: