与字母混淆矩阵匹配的近似字符串？

Question

我正在尝试建立一个语音识别器的模型，该语音识别器必须隔离每个单词之间没有间隙的长电话流中的单词（电话串）的实例。电话流可能很难识别，有字母替换/插入/删除，所以我将不得不进行近似的字符串匹配。

但是，我希望匹配能够以语音为动力，例如“m”和“n”在语音上相似，因此与“m”和“k”相比，“m”对“n”的替换成本应该很小。所以，如果我正在搜索[mein]“main”，它会匹配字母序列[meim]“maim”，比如成本0.1，而它会匹配字母序列[meik]“make”，比如说，成本0.7。同样，插入或删除每个字母的成本也不同。我可以提供一个混淆矩阵，对于每个字母对（x，y），给出用x代替x的成本，其中x和y是任何字母或空字符串。

我知道有些工具可以进行近似匹配，例如agrep，但据我所知，它们不会将混淆矩阵作为输入。也就是说，任何插入/替换/删除= 1的成本。我的问题是，是否有任何已经可用的开源工具可以与混淆矩阵进行近似匹配，如果没有，那么是什么我可以实现一个很好的算法来实现这个目标吗？

编辑：为了清楚起见，我试图从较长的字符串中隔离诸如[mein]之类的单词的近似实例，例如[aiammeinlimeiking ...]。理想情况下，算法/工具应报告实例，例如[mein]，成本为0.0（完全匹配），[meik]为成本0.7（接近匹配）等，对于所有近似字符串匹配，成本低于给定阈值。

Answer 1

我不知道任何使用混淆矩阵的语音识别器。我知道Soundex和match rating。

我认为K-nearest neighbour algorithm可能对您感兴趣的近似类型有用。

Answer 2

Peter Kleiweg的Rug/L04（用于计算方言学）包括Levenshtein距离的实现，允许您指定非均匀的插入，删除和替换成本。