口音检测API？

Question

我一直在研究构建移动/网络应用程序的可行性，该应用程序允许用户说出短语并检测用户的口音（波士顿、纽约、加拿大等）。用户可以说出大约 5 到 10 个预定义的短语。我熟悉一些可用的 Speech to Text API（Nuance、Bing、Google 等），但似乎都没有提供这种附加功能。我发现的最接近的示例是 Google Now 或 Microsoft 的 Speaker Recognition API：

http://www.androidauthority.com/google-now-accents-515684/

https://www.microsoft.com/cognitive-services/en-us/speaker-recognition-api

因为会有 5-10 个预定义的短语，我正在考虑使用机器学习软件，如 Tensorflow 或 Wekinator。我会在每个口音中创建初始音频以用作初始数据。在我深入研究这条道路之前，我只是想获得一些关于这种方法的反馈，或者是否有更好的方法。如果我需要澄清任何事情，请告诉我。

Answer 1

对于这种罕见的任务，没有公共 API。

作为语言检测的口音检测通常使用 i-vectors 来实现。教程在这里。实现在 Kaldi 中可用。

即使您的句子是固定的，您也需要大量数据来训练系统。在不关注您拥有的特定句子的情况下，收集带口音的语音可能会更容易。

端到端张量流实现也是可能的，但可能需要太多数据，因为您需要将说话者内在事物与重音内在事物分开（基本上像 i-vector 一样执行分解）。你可以找到类似的作品像的描述这和这一个。