标签: speech-recognition

我在使用 google voice_recognition api 时遇到了这个问题。它会自动过滤掉坏词并返回类似“F***”或“P******”的字符串

这是我的代码。我的代码中没有错误，但请帮助我如何从音频中获取原始转换后的文本。

    from gtts import gTTS
    import speech_recognition as sr

    r = sr.Recognizer()

with sr.Microphone() as source:
    print('Ready...')
    r.pause_threshold = 1
    r.adjust_for_ambient_noise(source, duration=1)
    audio = r.listen(source)

    command = r.recognize_google(audio).lower()
    print('You said: ' + command + '\n')

我正在尝试使用 Unity3D 中的 Microsoft Azure 认知服务语音转文本 SDK 构建一个简单的应用程序。我已经按照这个教程学习了，效果很好。本教程的唯一问题是语音转文本是通过按钮激活的。当您按下按钮时，它将在整个句子期间进行转录，并且您必须再次按下该按钮才能再次转录。我的问题是，我希望程序在 Unity 中运行后立即开始转录，而不是每次我想转录句子时都必须按一个按钮。

这是代码。

    public async void ButtonClick()
    {
        // Creates an instance of a speech config with specified subscription key and service region.
        // Replace with your own subscription key and service region (e.g., "westus").
        var config = SpeechConfig.FromSubscription("[My API Key]", "westus");

        // Make sure to dispose the recognizer after use!
        using (var recognizer = new SpeechRecognizer(config))
        {
            lock (threadLocker)
            {
                waitingForReco = true;
            }

            // Starts speech recognition, and …

如何评估 ASR（自动语音识别）中的 WER（单词错误率）？

例如，如果我有 ASR 的句子和输出（人工参考翻译）。

我知道这个方程，但我不知道如何计算。计算WER时是否输入逗号、句号等标点符号？

以及单词的 sub、ins 和 del。有具体重量吗？他们每个人什么时候在等式中计算？

任何人都知道我们如何计算 ASR 的 WER.. 请给我一个例子，以便我可以在我的应用程序中的多个句子中计算 ASR 的 WER

下面是代码，

import json
import os
from azure.storage.blob import BlobServiceClient, BlobClient, ContainerClient
import azure.cognitiveservices.speech as speechsdk

def main(filename):
    container_name="test-container"
            print(filename)
    blob_service_client = BlobServiceClient.from_connection_string("DefaultEndpoint")
    container_client=blob_service_client.get_container_client(container_name)
    blob_client = container_client.get_blob_client(filename)
    with open(filename, "wb") as f:
        data = blob_client.download_blob()
        data.readinto(f)

    speech_key, service_region = "1234567", "eastus"
    speech_config = speechsdk.SpeechConfig(subscription=speech_key, region=service_region)

    audio_input = speechsdk.audio.AudioConfig(filename=filename)
    print("Audio Input:-",audio_input)
  
    speech_config.speech_recognition_language="en-US"
    speech_config.request_word_level_timestamps()
    speech_config.enable_dictation()
    speech_config.output_format = speechsdk.OutputFormat(1)

    speech_recognizer = speechsdk.SpeechRecognizer(speech_config=speech_config, audio_config=audio_input)
    print("speech_recognizer:-",speech_recognizer)
    #result = speech_recognizer.recognize_once()
    all_results = []

    def handle_final_result(evt):
        all_results.append(evt.result.text)  
    done = False 

    def stop_cb(evt):
        #print('CLOSING on {}'.format(evt))
        speech_recognizer.stop_continuous_recognition()
        global done …

我正在使用 webrtcvad 和 pydub 处理音频文件。任何片段的分割都是通过句子的沉默来进行的。有什么方法可以在字级边界条件下完成分割吗？（在每个说出的单词之后）？如果librosa/ffmpeg/pydub有这样的功能，每个人声可以分割吗？但分割后，我需要人声的开始和结束时间，准确地说是人声部分在原始文件中的位置。ffmpeg 分割的一种简单解决方案或方法也定义为：

https://gist.github.com/vadimkantorov/00bf4fbe4323360722e3d2220cc2915e

但这也是通过沉默进行分割，并且对于每个填充数或帧大小，分割是不同的。我正在尝试按声音分开。例如，我已手动完成此操作，原始文件、拆分词及其在 json 中的时间位置位于链接下提供的文件夹中：

www.mediafire.com/file/u4ojdjezmw4vocb/attached_problem.tar.gz

我的ubuntu20有声音，可以播放任何音频；但问题是当我使用语音识别时，alsa 无法正常工作。我在 Windows 中使用了语音识别，这很痛苦，但它有效。我已经安装了 pyaudio，...所以是的，这不是库问题。

我已经做好了：

   1.Reinstalling alsa and pulseAudio.

   2.Checking which program is using sound card.

   3.Trying to specific device to be used in Microphone().

当我使用时：python -c "import pyaudio;audio=pyaudio.PyAudio();print([audio.get_device_info_by_index(i) for i in range(audio.get_device_count())])"

返回：

  ALSA lib pcm_dsnoop.c:604:(snd_pcm_dsnoop_open) unable to create IPC semaphore
  ALSA lib pcm.c:2642:(snd_pcm_open_noupdate) Unknown PCM cards.pcm.rear
  ALSA lib pcm.c:2642:(snd_pcm_open_noupdate) Unknown PCM cards.pcm.center_lfe
  ALSA lib pcm.c:2642:(snd_pcm_open_noupdate) Unknown PCM cards.pcm.side
  ALSA lib pcm_route.c:869:(find_matching_chmap) Found no matching channel map
  ALSA lib pcm_route.c:869:(find_matching_chmap) Found no matching channel map
  ALSA lib …

我正在训练 Pytorch 模型。一段时间后，即使进行随机播放，除了一些有限张量之外，模型还只包含 NaN 值：

tensor([[[    nan,     nan,     nan,  ...,     nan,     nan,     nan],
         [    nan,     nan,     nan,  ...,     nan,     nan,     nan],
         [    nan,     nan,     nan,  ...,     nan,     nan,     nan],
         ...,
         [ 1.4641,  0.0360, -1.1528,  ..., -2.3592, -2.6310,  6.3893],
         [    nan,     nan,     nan,  ...,     nan,     nan,     nan],
         [    nan,     nan,     nan,  ...,     nan,     nan,     nan]]],
       device='cuda:0', grad_fn=<AddBackward0>)

detector_anomaly 函数返回：

  File "TestDownload.py", line 701, in <module>
    main(learning_rate, batch_size, epochs, experiment)
  File "TestDownload.py", line 635, in main
    train(model, device, train_loader, criterion, optimizer, scheduler, …

with我正在创建一个语音助手项目，但其中的命令行出现问题。

我写的代码是这样的

import speech_recognition as sr
import win32com.client

speaker = win32com.client.Dispatch("SAPI.SpVoice")

def say(text):
    speaker.Speak(f"{text}")

def takeCommand():
    r = sr.Recognizer()
    with sr.Microphone as source:
        r.pause_threshold = 1
        audio = r.listen(source)
        query = r.recognize_google(audio, language="en-in")
        print(f"User said: {query}")
        return query

if __name__ == "__main__":
    print("VS Code")
    say("Hello I am Jarvis A.I.")
    while 1:
        print("listening...")
        text = takeCommand()
        say(text)

它总是得到的错误是这样的

VS Code
listening...
Traceback (most recent call last):
  File "f:\Jarvis AI\main.py", line 23, in <module>
    text = takeCommand()
           ^^^^^^^^^^^^^
  File "f:\Jarvis AI\main.py", …

有没有人有资源从哪里学习使用Delphi的SAPI？

如何使用Delphi应用程序的语音识别？

谢谢.

我正在尝试根据我发现的这篇论文(http://arxiv.org/pdf/1003.4083.pdf)来计算MFCC算法,所以到目前为止我所做的是:

步骤1)预先强调

步骤2)框架

步骤3)Hamming窗口

步骤4)快速傅立叶变换

步骤5)Mel滤波器组处理

步骤6):离散余弦变换

基本上,我采用Mel Bank滤波器并将它们乘以实际的原始信号.然后,我对这些结果执行了FFT,如下所示:

第1帧的FFT:

然后我计算了FFT的DCT,其结果如下所示:

第1帧的DCT:

到目前为止这看起来是否正确？有没有办法让我检查一下,以便我知道我正朝着正确的方向前进？

另外,我需要得到13个系数,但我不知道如何确定这些系数中的哪一个.我得到256个值,所以我采取前13个值吗？或者,我能获得总能量吗？

我希望有一个人可以帮助我.