比较语音并用有限的数据训练模型

Question

我正在尝试做一个机器学习方面的小项目，但不太了解。

假设我有 50 个人说“嗨，你好吗”。

然后我想训练一个模型，当我说：

"Hi, how are you" => Good

"Hi, bow are you" => Wrong

• 请注意，我不关心句子的含义或 话是正确的。我只是想检查一下我所说的是 和其他 50 人说的一样。
• 另请注意，我要使用的口语不是英语。

实现这一目标的最简单方法是什么？ 使用语音到文本，然后进行比较（我也有文本）。但由于句子不是英文，开源语音转文本可能不是很好。

使用 Kaldi 之类的工具来训练模型？

还有其他方法吗？

Answer 1

如果只是一句话，我想少量的录音就足够你的项目了。您可以录制不同的“你好”的声音，并根据本教程创建数据：

kaldi-asr data prep tutorial

然后，如果您的数据和字典准备就绪，您可以使用 a Kaldi recipe 为您完成所有工作。训练结束后，如果 WER（单词错误率）较低，您可以测试您的模型（解码一些新音频）。如果你的 WER 足够低，你可以在你的项目中使用这个模型。