音频索引：从音频文件生成时间对齐的文本标签

Question

我需要挑选单词＆amp;来自大量长音频文件的短语，最终目标是为每个短语的起点和终点生成时间戳。单词和短语是关于需要时间标记的事件的描述和评论。我已经看过对Google的GAudI的引用，但它已经消失了（link）。我已经看到了另一个解决方案（Simple Audio Indexer），但它需要IBM Watson。也许它可以使用Android语音到文本处理器？任何人都可以推荐其他解决方案我更喜欢使用Python接口的解决方案，但Java也是可行的。感谢。

Answer 1

我花了很多时间试图让Android手机语音识别工作在自由形式模式，但它还没有为黄金时段做好准备。我和其他人还没有找到一种方法来每隔几秒关闭一次哔哔声。

因此，我会录制完整的音频文件并通过索引器运行它们。我发现了一个名为Aeneas的有趣解决方案，但它依赖于一个名为eSpeak的旧包，我无法在OSX上安装它（eSpeak需要对OSX现已锁定的目录的安装权限）。

我接下来继续尝试Simple Audio Indexer（SAI）。在IBM Watson BlueMix上设置帐户非常简单，它们可以为您提供1000分钟的免费STT（语音到文本）时间。 SAI易于安装，易于使用且运行良好。我使用pydub将我的M4A / AAC文件转换为WAV。我确实遇到了需要IBM支持的问题，他们在两小时内使用运行参数来解决我的问题（需要将inactivity_timeout扩展到超过30秒的默认值）。现在它运作良好。