15

如何将任何声音信号转换为列表音素？

即从数字信号到录音的音素列表的实际方法和/或代码。
例如： 

lPhonemes = audio_to_phonemes(aSignal)

例如在哪里

from scipy.io.wavfile import read
iSampleRate, aSignal = read(sRecordingDir)

aSignal = #numpy array for the recorded word 'hear'
lPhonemes = ['HH', 'IY1', 'R']

我需要这个功能audio_to_phonemes

并非所有声音都是语言单词，所以我不能只使用使用谷歌 API的东西。

编辑
我不想要音频到文字，我想要音频到音素。大多数图书馆似乎没有输出。您推荐的任何库都需要能够输出组成声音的音素的有序列表。它需要在python中。

我也很想知道声音到音素的过程是如何工作的。如果不是为了实现目的，那么为了利益。

4

3 回答 3

19

准确的音素识别并不容易实现，因为音素本身的定义非常松散。即使在良好的音频中，当今最好的系统也有大约 18% 的音素错误率（您可以查看 Alex Graves 发布的 TIMIT 上的 LSTM-RNN 结果）。

在 CMUSphinx 中，Python 中的音素识别是这样完成的：

from os import environ, path

from pocketsphinx.pocketsphinx import *
from sphinxbase.sphinxbase import *

MODELDIR = "../../../model"
DATADIR = "../../../test/data"

# Create a decoder with certain model
config = Decoder.default_config()
config.set_string('-hmm', path.join(MODELDIR, 'en-us/en-us'))
config.set_string('-allphone', path.join(MODELDIR, 'en-us/en-us-phone.lm.dmp'))
config.set_float('-lw', 2.0)
config.set_float('-beam', 1e-10)
config.set_float('-pbeam', 1e-10)

# Decode streaming data.
decoder = Decoder(config)

decoder.start_utt()
stream = open(path.join(DATADIR, 'goforward.raw'), 'rb')
while True:
  buf = stream.read(1024)
  if buf:
    decoder.process_raw(buf, False, False)
  else:
    break
decoder.end_utt()

hypothesis = decoder.hyp()
print ('Phonemes: ', [seg.word for seg in decoder.seg()])

您需要从 github 签出最新的 pocketsphinx 才能运行此示例。结果应如下所示：

  ('Best phonemes: ', ['SIL', 'G', 'OW', 'F', 'AO', 'R', 'W', 'ER', 'D', 'T', 'AE', 'N', 'NG', 'IY', 'IH', 'ZH', 'ER', 'Z', 'S', 'V', 'SIL'])

另见维基页面

于 2015-06-08T17:15:52.373 回答
8

我需要创建函数 audio_to_phonemes

你基本上是在说：

我需要重新实现 40 年的语音识别研究

您不应该自己实现它（除非您即将成为语音识别领域的教授并且拥有革命性的新方法），而应该使用许多现有框架之一。看看狮身人面像/口袋狮身人面像！

于 2015-06-08T09:06:50.567 回答
4

看看Allosaurus，一个通用的（~2000 lang）电话识别器，为您提供 IPA 音素。在示例波形文件中，我确实下载了最新模型并在 Python3 中进行了尝试。

$ python -m allosaurus.bin.download_model -m latest
$ python -m allosaurus.run -i sample.wav
æ l u s ɔ ɹ s
于 2020-10-09T01:54:53.113 回答