Java语音识别非常小的字典

Question

我有MP3音频文件,其中包含计算机留下的语音邮件.

邮件内容始终采用相同的格式,并由相同的计算机语音保留,内容略有不同:

"你今天卖了4辆汽车"(其中4辆可以是从0到9的任何东西).

我一直试图建立Sphinx,但开箱即用的模型并没有太好用.

然后我尝试编写自己的声学模型并且还没有取得更好的成功(30%未被识别是我最好的).

我想知道语音识别对于这个任务是否有点过分,因为我只有一个声音,一个预期的音频模式和一个非常有限的字典需要被识别.

我可以访问消息中需要搜索的十种声音(口语号码)中的每一种.

是否有非VR方法在音频文件中查找声音(如果需要,我可以将MP3转换为其他格式).

更新:我的解决方案如下

在与Nikolay直接合作之后,我了解到我原来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(100%准确度).

1:由于我的audo文件中的演讲非常有限,我创建了一个JSGF语法(salesreport.gram)来描述它.我在JSpeech Grammar Format页面上提供了创建以下语法所需的所有信息.

#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标记.如有必要,可以使用正则表达式来提取特定信息(在我的情况下,销售数量).

2:这是非常重要的,你的音频文件格式正确.Sphinx的默认采样率为16Khz(16Khz表示每秒收集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使这个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/当我找到它时会更新这篇文章.

虽然不需要完成此任务,但我发现Audacity对于处理音频文件很有帮助.它包括许多用于处理音频文件的工具(检查采样率和带宽,文件格式转换等).

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

4:我生成我的字典里,salesreport.dic,使用lmtool

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),每次都能100%准确地识别我的语音.

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();
}

Answer 1

此类任务的准确率必须为 100%。以下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