小编Nik*_*rev的帖子

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？

我正在寻找德语发音词典,以便用于PocketSphinx/CMU Sphinx.

字典看起来像这样:

BACK    B AE K
CALL    K AO L
NO  N OW
NUMBER  N AH M B ER
ONE W AH N
ONE(2)  HH W AH N
REPLY   R IH P L AY
REPLY(2)    R IY P L AY
SEND    S EH N D
STOP    S T AA P
THREE   TH R IY
TWO T UW
YES Y EH S

找到这些用于英语是没有问题的,但我找不到它们用于德语.你知道在哪里找到它吗？

我想问一下如何在模拟器上使用语音文本代码.我的代码在真实设备上工作,但在仿真器上不起作用.错误说:

 No Activity found to handle Intent { act=android.speech.action.RECOGNIZE_SPEECH (has extras) }

我能做什么？

我试图启动一个简单的语音识别程序，但是它不起作用，我已经安装了某些语言（en-GB和en-US），但是每当我使用以下语言时：

SpeechRecognitionEngine.InstalledRecognizers

它返回一个空集合。即使我只是尝试启动识别器，它也会返回“ 未安装识别器 ”。但是当我重新安装一种语言时，它说它已经被安装了。

using ( SpeechRecognitionEngine recognizer = new SpeechRecognitionEngine(new System.Globalization.CultureInfo("en-US")))
{
    // Create and load a dictation grammar.
    recognizer.LoadGrammar(new DictationGrammar());

    // Add a handler for the speech recognized event.
    recognizer.SpeechRecognized +=
      new EventHandler<SpeechRecognizedEventArgs>(recognizer_SpeechRecognized);

    // Configure input to the speech recognizer.
    recognizer.SetInputToDefaultAudioDevice();

    // Start asynchronous, continuous speech recognition.
    recognizer.RecognizeAsync(RecognizeMode.Multiple);

    // Keep the console window open.
    while (true)
    {
        Console.ReadLine();
    }
}

由于什么原因无法找到已安装的识别器？

编辑：

例外是：{System.ArgumentException：找不到所需ID的识别器。参数名称：System.Speech.Recognition.SpeechRecognitionEngine..ctor的区域性（CultureInfo文化）

和：var recognizers = SpeechRecognitionEngine.InstalledRecognizers();返回计数为0的集合

我最近在我的Nexus 4上安装了Google Now Launcher,它让我思考如何使用它来与我自己的应用程序进行交互.虽然我可以通过标题要求打开我的应用程序,但我想知道是否有办法拦截语音命令(可能通过广播接收器),所以我可以说"关闭客厅灯"发送信号到一个Arduino关掉房子里一个房间里的灯光？同样,我还没有找到Google Now的文档,所以如果那样,我很乐意看到它的链接,所以我可以阅读源代码中的内容.

我想使用Speech Recongnition来处理我的应用程序中的命令.我知道在我的应用程序中的任何给定点,有效命令在那一点上是什么,所以希望限制语音识别匹配的结果.

我的意思是在我的应用程序..有效的单词只是数字加字母.我的意思A13FG6是像这样的数字.

我希望能够限制语音识别只能尝试匹配alphaNumeric词.限制词汇量会增加其成功的机会..

我怎么能修改给定的代码来满足我的要求

提前致谢..

import java.util.ArrayList;

import android.app.Activity;
import android.content.Intent;
import android.os.Bundle;
import android.speech.RecognitionListener;
import android.speech.RecognizerIntent;
import android.speech.SpeechRecognizer;
import android.util.Log;
import android.widget.Button;
import android.widget.TextView;

public class MainActivity extends Activity {

    private TextView mText;
    private SpeechRecognizer sr;
    private static final String TAG = "MyStt3Activity";

    @Override
    public void onCreate(Bundle savedInstanceState) {
        super.onCreate(savedInstanceState);
        setContentView(R.layout.activity_main);

        Button speakButton = (Button) findViewById(R.id.btn_speak);
        mText = (TextView) findViewById(R.id.textView1);

        Intent intent = new Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH);
        intent.putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL,
                RecognizerIntent.LANGUAGE_MODEL_FREE_FORM);
       intent.putExtra(RecognizerIntent.EXTRA_CALLING_PACKAGE,
           getClass().getPackage().getName());

        SpeechRecognizer recognizer = SpeechRecognizer
                .createSpeechRecognizer(this.getApplicationContext());
        RecognitionListener listener …

我是一位患有听力障碍的Android开发人员，我目前正在探索使用Android中的Speech Recognizer API对文本应用程序进行语音演讲的选项。隐藏字幕的电话和Innocaption在我的祖国不可用。潜在的应用可能类似于电话通话中的字幕。

https://developer.android.com/reference/android/speech/SpeechRecognizer.html

该API用于捕获语音命令，而不用于实时实时转录。我什至可以将其实现为服务，但在交付结果或部分结果后，我经常需要重新启动它，这在会话设置中是不可行的（重新启动服务时单词会丢失）。

请注意，我不需要此应用程序具有100％的准确性。许多有听力障碍的人发现在对话中提供一些背景信息对他们有帮助。因此，我实际上不需要评论这将如何不准确。

有没有办法以连续模式实现语音识别器？我可以创建一个textview，当从服务中返回新文本时，它会不断自我更新。如果我不应该使用该API，那么有什么建议吗？我测试了CMUSphinx，但发现它过于依赖短语/句子块，因此不太可能适用于我想到的那种应用程序。

我们在C＃.net中使用一种解决方案，其中有人可以打一个电话，然后说一个人，然后说一个人。然后，在我们网站的访客注册表上输入名称。我们使用一个XML词典文件，该文件具有从美国人口普查获得的5,000个名字和89,000个姓氏。我们正在使用Microsoft.Speech.Recognition库（也许是问题所在）。

我们的问题是，即使使用约书亚·麦克丹尼尔（Joshua McDaniels）这样相对简单的名字，我们的失败率也会达到30％。性能（速度方面）很好，只是没有占据名称的很大一部分。

现在，我了解到，最终的口语质量将决定系统的性能，对双关语表示歉意，但是我们希望在“实验室”条件下达到接近99％的水平，并且具有完美的发音且没有任何口音，然后称它为好。但是，即使在同一个人讲话，相同姓名，相同电话，相同环境的几次试验之后，我们的失败率还是达到了25％。

我的问题是：有人在此之后有更好的想法吗？我们想到了也许尝试使用API​​的方式，这样匹配将更加相关和最新。

我最近开始学习信号处理，目的是对信号进行一些机器学习。我希望提取具有梅尔频率倒谱系数的特征（请参阅维基百科页面，stackoverflow不允许我发布超过2个链接），然后使用贝叶斯分类器。

我发现以下图书馆似乎确实做了我想要的事情（http://python-speech-features.readthedocs.org/en/latest/）。它甚至还附带了有关MFCC的相当不错的教程（http://www.practicalcryptography.com/miscellaneous/machine-learning/guide-mel-frequency-cepstral-coefficients-mfccs/）。

现在，让我们开始做生意。据我了解，我应该为每个信号得到一个一维矢量系数。python-speech-features中的函数mfcc返回形状矩阵（帧数X倒谱数）。还有一个logfbank函数，该函数返回形状矩阵（帧数X滤波器组数）。

现在我对如何从信号以及mfcc和logfbank函数中获取要用于训练模型的特征向量感到有些迷惑。

任何帮助将不胜感激。谢谢。