问题是我想用 C# 语言获取音频语音的音素。假设您有一个像“x.wav”这样的音频文件，上面写着“你好，亲爱的 Shamim”。我想提取语音的所有音素及其相对时间。如下图所示：
我使用System.Speech了库（recognition和synthesis命名空间），但我没有找到我想要的。现在不要弄错了！我不想要句子“hello Dear Shamim”的音素，我想从说话的未知音频输入和英语句子中提取音素。我试过System.Speech.Recognition了，但它试图从音频文件中提取单词，而不是音素！正如您可能猜到的那样，这些词有 30% 是错误的！;)
与单词识别相比，音素识别需要一些专门的设置，并且大多数引擎不直接支持它（单音“单词”字典通常不会产生良好的准确性）。这样做的一个重要原因是音素识别远不如单词识别准确，因为单词识别受到更多限制（它会过滤掉所有不映射到真实单词的音素组合，这是其中的大部分）。但是HTK确实支持它。您可以通过执行 shell 命令（从 C# 中执行此操作并没有什么坏处）或 pinvoking 库来使用它。
尝试使用System.Speech.Recognition.DictationGrammar带有字符串参数的构造函数，并将“grammar:dictation#pronunciation”作为参数传递。或者，原始 SAPI（使用 SpeechLib 互操作程序集）可以通过指定发音语法ISpRecoGrammar::LoadDictation并将“发音”指定为听写主题。
您可以将Hidden Markov Model Tool Kit与 pinvoke 绑定到您的 c# 代码或尝试使用Accord.net 框架，该框架是托管的并具有 HMM 类，但没有提取音素的具体方法。
这是用于 vanilla .net，还是可以使用 SAPI（你知道，语音 API）？语音 api很好，它似乎有你要找的东西。最重要的是，在 windows 环境下，它比外部库更容易获得（更不用说无论应用程序都没有太多的许可问题）。
你注意到System.Speech.Recognition.RecognizedWordUnit了吗？这似乎是您正在寻找的大致内容。