【发布时间】：2018-02-08 09:11:23
【问题描述】：
我想对大量不断生成的.wav 文件执行语音识别。
越来越多的在线语音到文本 API 服务（例如 Google Cloud Speech、Amazon Lex、Twilio Speech Recognition、Nexmo Voice 等）适用于连接的应用程序，但不是由于成本和带宽，适合此用例。
快速谷歌搜索建议CMUSphinx（CMU = 卡内基梅隆大学）在语音识别方面很受欢迎。
我尝试了“hello world”示例：
import edu.cmu.sphinx.api.Configuration;
import edu.cmu.sphinx.api.SpeechResult;
import edu.cmu.sphinx.api.StreamSpeechRecognizer;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
public class Main {
public static void main(String[] args) throws IOException {
Configuration configuration = new Configuration();
configuration.setAcousticModelPath("resource:/edu/cmu/sphinx/models/en-us/en-us");
configuration.setDictionaryPath("resource:/edu/cmu/sphinx/models/en-us/cmudict-en-us.dict");
configuration.setLanguageModelPath("resource:/edu/cmu/sphinx/models/en-us/en-us.lm.bin");
StreamSpeechRecognizer recognizer = new StreamSpeechRecognizer(configuration);
InputStream stream = new FileInputStream(new File("src/main/resources/test.wav"));
recognizer.startRecognition(stream);
SpeechResult result;
while ((result = recognizer.getResult()) != null) {
System.out.format("Hypothesis: %s\n", result.getHypothesis());
}
recognizer.stopRecognition();
}
}
结果有点令人失望。 'test.wav' 文件包含以下音频：
这是讲话的第一个间隔。在第一时间之后 沉默，这是第二次说话的间隔。第三次之后 沉默片刻，这是第三次讲话，也是最后一次 一个。
这被解释为：
这是说话的第一个间隔...... 沉默是所有说话的第二... 沉默，这是最后几个在说话的他妈的
大部分单词都被捕获了，但是输出乱码到失去意思的程度。然后我下载了一个新闻报道，其中发音清晰，转录完全是胡言乱语。它捕捉到的就像一个喝醉了的人听外语一样。
我很想知道是否有人成功使用了 Sphinx4，如果是，做了哪些调整以使其正常工作？是否有替代的声学/语言模型、词典等……表现更好？对于离线语音到文本的任何其他开源建议我应该考虑吗？
【问题讨论】：
标签： speech-recognition voice-recognition speech-to-text cmusphinx sphinx4