小编Nik*_*rev的帖子

我正在做和做的应用程序:

1:如果麦克风检测到某些噪音,它会开始录制音频,直到没有检测到噪音.之后,音频被录制到wav文件中.

2:我必须在上面检测一些字.只有5到10个字可供检测.

到目前为止,我的代码只执行第一部分(检测噪声和录制音频).现在,我有一个包含以下单词的列表:help, please, yes, no, could, you, after, tomorrow.我需要一种离线方式来检测我的声音是否包含这些单词.这可能吗？我怎样才能做到这一点？我正在使用linux,无法将我的操作系统更改为Windows或使用虚拟机.

我正在考虑使用声音的频谱图,创建一个火车数据库并使用一些分类器进行预测.例如,这是一个单词的谱图.这是一个很好的技术吗？

谢谢.

我正在寻找如何使用CMU Sphinx和Ruby(Rails)应用程序.我需要非常简单的任务 - 我有一个mp3文件,我想把它转录成文本.

我该如何实现这种最简单的方法？我不知道C/C++,我的任务不是那么大的学习C/C++ :)

感谢帮助!

好的,所以我pyaudio从包中python-pyaudio使用安装apt-get,现在当我导入和调用时如下:

Python 2.7.3 (default, Sep 26 2012, 21:53:58) 
[GCC 4.7.2] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import pyaudio
>>> p= pyaudio.PyAudio()
ALSA lib pcm.c:2217:(snd_pcm_open_noupdate) Unknown PCM cards.pcm.rear
ALSA lib pcm.c:2217:(snd_pcm_open_noupdate) Unknown PCM cards.pcm.center_lfe
ALSA lib pcm.c:2217:(snd_pcm_open_noupdate) Unknown PCM cards.pcm.side
ALSA lib pcm_params.c:2162:(snd1_pcm_hw_refine_slave) Slave PCM not usable
ALSA lib pcm_params.c:2162:(snd1_pcm_hw_refine_slave) Slave PCM not usable
ALSA lib pcm_params.c:2162:(snd1_pcm_hw_refine_slave) Slave PCM not usable
ALSA lib pcm_dmix.c:957:(snd_pcm_dmix_open) The dmix plugin supports only …

我正在使用谷歌的语音识别API.我用Java创建了一个包装器(像这样:http://pastebin.com/zJEhnJ74); 所有工作都很好,但有时我收到http 403或http 500,所以我认为有一些限制.

我知道这不是官方API,但有人知道服务的限制(一天的最大请求,音频文件的最大长度等)？

我正在尝试使用x-webkit-speech进行语音识别,我也检查过我的Chrome浏览器支持它,但是它给语音服务器提供了错误连接失败.

我得到这样的东西.任何人都可以告诉我如何解决这个问题.

C:\Users\krush\Documents\ML using Python>pip install pocketsphinx
Collecting pocketsphinx
  Using cached pocketsphinx-0.1.3.zip
Building wheels for collected packages: pocketsphinx
  Running setup.py bdist_wheel for pocketsphinx: started
  Running setup.py bdist_wheel for pocketsphinx: finished with status 'error'
  Complete output from command C:\Users\krush\Anaconda3\python.exe -u -c "import setuptools, tokenize;__file__='C:\\Users\\krush\\AppData\\Local\\Temp\\pip-build-cns2i_wb\\pocketsphinx\\setup.py';f=getattr(tokenize, 'open', open)(__file__);code=f.read().replace('\r\n', '\n');f.close();exec(compile(code, __file__, 'exec'))" bdist_wheel -d C:\Users\krush\AppData\Local\Temp\tmp3tyvnl9wpip-wheel- --python-tag cp36:
  running bdist_wheel
  running build_ext
  building 'sphinxbase._ad' extension
  swigging swig/sphinxbase/ad.i to swig/sphinxbase/ad_wrap.c
  swig.exe -python -modern -Ideps/sphinxbase/include -Ideps/sphinxbase/include/sphinxbase -Ideps/sphinxbase/include/win32 -Ideps/sphinxbase/swig -outdir sphinxbase -o swig/sphinxbase/ad_wrap.c swig/sphinxbase/ad.i
  error: command 'swig.exe' failed: No …

如何高效地访问256位向量的元素？例如我计算了点积

c = _mm256_dp_ps(a, b, 0xff);

那么如何访问c中的值呢？我需要同时获取高位部分和低位部分，我是否正确理解我首先需要提取 128 位部分，如下所示：

r0 = _mm256_extractf128_ps(c,0);
r1 = _mm256_extractf128_ps(c,1);

然后才提取浮点数：

_MM_EXTRACT_FLOAT(fr0, r0, 0);
_MM_EXTRACT_FLOAT(fr1, r1, 0);

return fr0 + fr1;

我有一大堆文件,我想在使用CMU Sphinx 4时获得认可.Sphinx需要以下格式:

• 16千赫兹
• 16位
• 单
• 小尾数

我的文件类似于44100 khz,32位立体声mp3文件.我尝试使用Tritonus,然后使用更新版本JavaZoom,使用bakuzen中的代码进行转换.然而,AudioSystem.getAudioInputStream(File)抛出一个UnsupportedAudioFileException,我无法弄清楚为什么,所以我继续前进.

现在我正在尝试ffmpeg.该命令ffmpeg -i input.mp3 -ac 1 -ab 16 -ar 16000 output.wav似乎应该可以解决这个问题(除了小端),但是当我用Audacity检查输出时,它仍然将其标记为"32位浮点数".我在这个网站上找到的命令也使用了-acodec pcm_s16le,它的名字似乎是输出16位小端; 但是,Audacity仍然告诉我输出结果32 bit float.

谁能告诉我如何将音频文件转换为CMU Sphinx 4所需的格式？

我最近在python中使用口袋狮身人面像.我已经成功地通过以下示例来识别录制的wav.

#!/usr/bin/env python

import sys,os



def decodeSpeech(hmmd,lmdir,dictp,wavfile):

    """

    Decodes a speech file

    """

    try:

        import pocketsphinx as ps

        import sphinxbase

    except:

        print """Pocket sphinx and sphixbase is not installed

        in your system. Please install it with package manager.

        """

    speechRec = ps.Decoder(hmm = hmmd, lm = lmdir, dict = dictp)

    wavFile = file(wavfile,'rb')

    wavFile.seek(44)

    speechRec.decode_raw(wavFile)

    result = speechRec.get_hyp()



    return result[0]



if __name__ == "__main__":

    hmdir = "/home/jaganadhg/Desktop/Docs_New/kgisl/model/hmm/wsj1"

    lmd = "/home/jaganadhg/Desktop/Docs_New/kgisl/model/lm/wsj/wlist5o.3e-7.vp.tg.lm.DMP"

    dictd = "/home/jaganadhg/Desktop/Docs_New/kgisl/model/lm/wsj/wlist5o.dic"

    wavfile = "/home/jaganadhg/Desktop/Docs_New/kgisl/sa1.wav"

    recognised = decodeSpeech(hmdir,lmd,dictd,wavfile)

    print …

我正在使用 vosk 进行语音识别。有谁知道词汇词典的位置以及如何编辑它以添加或删除单词？

我的项目的一些背景：

我正在做一个语言人工智能项目。我需要一个语音识别引擎来将口语转换成文本。我开始使用 CMUSphinx。PocketSphinx 更准确。我喜欢口袋狮身人面像，但有人告诉我它已经过时了，而且 vosk 好多了。然而，在从头开始创建字典和以编程方式在不同字典之间切换方面，pocketsphinx 非常易于使用。

我正在尝试转移到 vosk 作为语音识别器。它似乎确实可以更快更准确地解码语音。但到目前为止，我还没有找到任何关于如何修改词汇词典的信息。修改字典内容的能力在我的语言人工智能项目中至关重要。因此，如果有人可以指出如何修改 vosk 字典的信息，我将不胜感激。到目前为止，我还没有找到有关如何执行此操作的任何信息。关于vosk的资料很少，尤其是教程或详细说明的方式。

谢谢你。

编辑添加：

这是我所指的 vosk API 的 GitHub 页面：

https://github.com/alphacep/vosk-api