如何通过音频处理检测字边界/估计字数？ （没有语音识别）

Question

是否可以通过离线基本音频处理来检测字边界，以获得足够准确的WPM *估计值？我认为可以通过检测暂停（表示单词边界）来完成。它是跨语言的还是适用于所有语言？

在传统的语音识别中[（不是/相对于）现代机器/深度学习语音识别]， 这被认为是更容易/解决的部分，找到单词边界或统计地将它们与正确的单词匹配？

我一直在使用的示例：web page with audio elements *，audio

Audacity中波形视图上标记的单词边界：

我将使用网络音频API中的MediaElementAudioSourceNode和AudioNode在浏览器中进行此操作。

*每分钟字数

*更多关于我在做什么/有什么想法： 我是forking构建扩展名为Videospeed的扩展名为“Media Enhancer：音频/视频播放速度，快捷方式和控件”，您可以从名称中猜出新添加的功能，音频元素的播放速度，新的键盘快捷键，可选的计算WPM估计（因此我问这个问题的原因），以及更多包括我在内的高级用户。

Answer 1

  

是否可以通过离线基本音频处理来检测字边界，以获得足够准确的WPM *估计值？

不，这相当于识别单词。

有许多算法用于语速评估，大多数算法只是通过检测手机甚至声音中的峰值来工作，你可以在这里检查一下

Robust Speech Rate Estimation for Spontaneous Speech Dagen Wang and Shrikanth S. Narayanan

最近的研究包括像这样的机器学习：

Online Speaking Rate Estimation Using Recurrent Neural Networks