Question

如何将任何声音信号转换为列表音素？

即从数字信号到录音制作的音素列表的实际方法和/或代码。
例如：

lPhonemes = audio_to_phonemes(aSignal)

例如

from scipy.io.wavfile import read
iSampleRate, aSignal = read(sRecordingDir)

aSignal = #numpy array for the recorded word 'hear'
lPhonemes = ['HH', 'IY1', 'R']

我需要函数audio_to_phonemes

并非所有声音都是语言词，所以我不能只使用something that uses the google API作为例子。

修改
我不想要音频文字，我想要音频到音素。大多数图书馆似乎没有输出。您推荐的任何库都需要能够输出声音组成的有序音素列表。它需要在python中。

我也想知道声音到音素的过程是如何工作的。如果不是为了实现目的，那么为了利益起见。

Answer 1

准确的音素识别并不容易归档，因为音素本身的定义非常松散。即使在良好的音频中，今天最好的系统也有大约18％的音素错误率（你可以检查由Alex Graves发布的TIMIT上的LSTM-RNN结果）。

在CMUSphinx中，Python中的音素识别是这样完成的：

from os import environ, path

from pocketsphinx.pocketsphinx import *
from sphinxbase.sphinxbase import *

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

# Create a decoder with certain model
config = Decoder.default_config()
config.set_string('-hmm', path.join(MODELDIR, 'en-us/en-us'))
config.set_string('-allphone', path.join(MODELDIR, 'en-us/en-us-phone.lm.dmp'))
config.set_float('-lw', 2.0)
config.set_float('-beam', 1e-10)
config.set_float('-pbeam', 1e-10)

# Decode streaming data.
decoder = Decoder(config)

decoder.start_utt()
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()

hypothesis = decoder.hyp()
print ('Phonemes: ', [seg.word for seg in decoder.seg()])

你需要从github查看最新的pocketsphinx才能运行这个例子。结果应如下所示：

  ('Best phonemes: ', ['SIL', 'G', 'OW', 'F', 'AO', 'R', 'W', 'ER', 'D', 'T', 'AE', 'N', 'NG', 'IY', 'IH', 'ZH', 'ER', 'Z', 'S', 'V', 'SIL'])

另请参阅wiki page

Answer 2

我需要创建函数audio_to_phonemes

你基本上说：

我需要重新实施40年的语音识别研究

你不应该自己实现这一点（除非你即将成为语音识别领域的教授，并采用革命性的新方法），但应该使用众多现有框架中的一个。看看sphinx / pocketsphinx！

Answer 3

看看Allosaurus，这是一种通用的电话识别器（约2000 lang），可为您提供IPA音素。在一个示例wave文件中，我确实下载了最新模型并在Python3中进行了尝试。

/ping

将声音转换为python

3 个答案: