我有 MP3 音频文件，其中包含计算机留下的语音邮件。

消息内容始终采用相同的格式，由相同的计算机语音留下，只是内容略有不同:

“您今天卖出了 4 辆汽车”(其中 4 可以是 0 到 9 之间的任何数字)。

我一直在尝试设置 Sphinx，但开箱即用的模型效果不是很好。

然后我尝试编写自己的声学模型，但还没有取得更好的成功(30% 无法识别是我最好的)。

我想知道语音识别对于这项任务是否有点矫枉过正，因为我只有一个声音、一个预期的音频模式和需要识别的非常有限的字典。

我可以访问我需要在消息中搜索的十种声音(语音数字)中的每一种。

是否有一种非 VR 方法可以在音频文件中查找声音(如有必要，我可以将 MP3 转换为另一种格式)。

更新:我对此任务的解决方案如下

在直接与 Nikolay 合作后，我了解到我原来的问题的答案是无关紧要的，因为使用 Sphinx4 和 JSGF 语法可以达到预期的结果(准确率为 100%)。

1: 由于我的audo文件中的语音非常有限，我创建了一个JSGF语法(salesreport.gram)来描述它。我需要创建以下语法的所有信息都可以在这个 JSpeech Grammar Format 上找到页面。

#JSGF V1.0;

grammar salesreport;

public <salesreport> = (<intro> | <sales> | <closing>)+;

<intro> = this is your automated automobile sales report;

<sales> = you sold <digit> cars today;

<closing> = thank you for using this system;

<digit> = zero | one | two | three | four | five | six | seven | eight | nine;

注意:Sphinx 在语法中不支持 JSGF 标签。如有必要，可以使用正则表达式来提取特定信息(在我的例子中是销售数量)。

2:您的音频文件格式正确非常重要。 Sphinx 的默认采样率为 16Khz(16Khz 意味着每秒收集 16000 个样本)。我使用 FFmpeg 将我的 MP3 音频文件转换为 WAV 格式.

ffmpeg -i input.mp3 -acodec pcm_s16le -ac 1 -ar 16000 output.wav

不幸的是，FFmpeg 使该解决方案依赖于操作系统。我仍在寻找一种使用 Java 转换文件的方法，如果/当我找到它时，我会更新这篇文章。

虽然不需要完成这个任务，但我找到了Audacity有助于处理音频文件。它包括许多用于处理音频文件的实用程序(检查采样率和带宽、文件格式转换等)。

3:由于电话音频的最大带宽(音频中包含的频率范围)为 8kHz，因此我使用了 Sphinx en-us-8khz声学模型。

4:我使用 lmtool 生成了我的字典 salesreport.dic

5:使用前面步骤中提到的文件和以下代码(Nikolay 示例的修改版本)，我的语音每次都以 100% 的准确率被识别。

public String parseAudio(File voiceFile) throws FileNotFoundException, IOException
{
    String retVal = null;
    StringBuilder resultSB = new StringBuilder();

    Configuration configuration = new Configuration();

    configuration.setAcousticModelPath("file:acoustic_models/en-us-8khz");
    configuration.setDictionaryPath("file:salesreport.dic");
    configuration.setGrammarPath("file:salesreportResources/")
    configuration.setGrammarName("salesreport");
    configuration.setUseGrammar(true);

    StreamSpeechRecognizer recognizer = new StreamSpeechRecognizer(configuration);
    try (InputStream stream = new FileInputStream(voiceFile))
    {
        recognizer.startRecognition(stream);

        SpeechResult result;

        while ((result = recognizer.getResult()) != null)
        {
            System.out.format("Hypothesis: %s\n", result.getHypothesis());
            resultSB.append(result.getHypothesis()
                    + " ");
        }

        recognizer.stopRecognition();
    }

    return resultSB.toString().trim();
}

最佳答案

此类任务的准确率必须为 100%。这是与语法一起使用的代码示例:

public class TranscriberDemoGrammar {

    public static void main(String[] args) throws Exception {
        System.out.println("Loading models...");

        Configuration configuration = new Configuration();

        configuration.setAcousticModelPath("file:en-us-8khz");
        configuration.setDictionaryPath("cmu07a.dic");
        configuration.setGrammarPath("file:./");
        configuration.setGrammarName("digits");
        configuration.setUseGrammar(true);

        StreamSpeechRecognizer recognizer =
            new StreamSpeechRecognizer(configuration);
        InputStream stream = new FileInputStream(new File("file.wav"));
        recognizer.startRecognition(stream);

        SpeechResult result;

        while ((result = recognizer.getResult()) != null) {

            System.out.format("Hypothesis: %s\n",
                              result.getHypothesis());
            }

        recognizer.stopRecognition();
    }
}

您还需要确保采样率和音频带宽都与解码器配置匹配

http://cmusphinx.sourceforge.net/wiki/faq#qwhat_is_sample_rate_and_how_does_it_affect_accuracy

关于非常小的字典的Java语音识别，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/25507189/