CMU Sphinx и слова с указанием времени - PullRequest
Новая
       29

CMU Sphinx и слова с указанием времени

0 голосов
/ 10 февраля 2019

Я запустил пример Pocketphinx Python, и теперь я столкнулся с проблемой, что я хочу запустить 60-секундный wav-файл для распознавания речи на английском языке и хочу в качестве вывода- английский перевод AND
- в секунду которого упоминалось каждое слово.

Теперь я не знаю, с чего начать некоторые исследования, чтобы получить требуемый результат.Может ли кто-нибудь, пожалуйста, указать мне в правильном направлении ??

Ответы [ 2 ]

0 голосов
/ 11 февраля 2019

Требуется распознавание с принудительным выравниванием .Вот пример для карманного сфинкса: 

pocketsphinx_continuous
    -infile with.wav
    -jsgf with-word.jsgf
    -dict words.dict
    -backtrace yes
    -fsgusefiller no
    -bestpath no 
  2>&1 > with-word.txt

Вывод: 

==> with-word.txt <==
INFO: fsg_search.c(869): fsg 0.05 CPU 0.051 xRT
INFO: fsg_search.c(871): fsg 0.09 wall 0.084 xRT
INFO: pocketsphinx.c(1171): sil with sil (-2607)
word                 start end   pprob ascr       lscr       lback
sil                  3     77    1.000 -1602      0          1
with                 78    102   1.000 -845       0          1
sil                  103   107   1.000 -160       0          1
INFO: fsg_search.c(265): TOTAL fsg 0.05 CPU 0.051 xRT
INFO: fsg_search.c(268): TOTAL fsg 0.09 wall 0.085 xRT
sil with sil

Для CMU Sphinx 4 вам нужен класс SpeechAligner из Sphinx API. Здесь вы найдете реализацию простого инструмента выравнивания. 

./align.sh sample.wav sample.txt 2>/dev/null

Вывод: 

"it's","IH T S","false","0.0","170","200"
"a","AH","false","-5540774.0","200","390"
"crowd","K R AW D","false","-1.13934288E8","850","1300"
"in","IH N","false","-1.95127088E8","1300","1470"
"two","T UW","false","-2.23176048E8","1470","1700"
"distinct","D IH S T IH NG K T","false","-2.6345264E8","1700","2230"
"ways","W EY Z","false","-3.58427808E8","2230","2730"
"the","DH AH","false","-4.72551168E8","2920","3100"
"fruit","F R UW T","false","-5.24233504E8","3220","3530"
"of","AH V","false","-5.79971456E8","3530","3640"
"a","AH","false","-5.99515456E8","3640","3760"
"figg","F IH G","false","-6.2017152E8","3760","4060"
"tree","T R IY","false","-6.72126656E8","4060","4490"
"is","IH Z","false","-7.4763744E8","4490","4570"
"apple","AE P AH L","false","-7.73581184E8","4630","5040"
"shaped","SH EY P T","false","-8.44424704E8","5040","5340"
0 голосов
/ 11 февраля 2019

хорошо, инструменты с открытым исходным кодом, такие как Kaldi, автоматически предлагают это: https://americanarchivepb.wordpress.com/2017/12/04/dockerized-kaldi-speech-to-text-tool/

...