我正在使用 Microsoft Cognitive Service 的 Pronunciation Assessment 服务(使用 Python API)。目前,我可以根据我在请求中传递的参考文本显示音素细分(以及置信度分数)。我的问题是:有什么方法可以得到它真正所说的音素分解?换句话说.. 有可能得到检测到的音素而不是系统等待根据参考文本识别的音素作为输出?
这描绘了我目前拥有的输出。但是,我不想获得组成单词“不能”的音素,而是想获得输出中传递的单词的音素
{
"Word": "can't",
"AccuracyScore": 85.0,
"ErrorType": "None",
"Offset": 39900000,
"Duration": 6500000,
"Phonemes": [
{
"Duration": 1300000,
"Phoneme": "k",
"AccuracyScore": 89.0,
"Offset": 39900000
},
{
"Duration": 800000,
"Phoneme": "aa",
"AccuracyScore": 86.0,
"Offset": 41300000
},
{
"Duration": 1600000,
"Phoneme": "n",
"AccuracyScore": 74.0,
"Offset": 42200000
},
{
"Duration": 2500000,
"Phoneme": "t",
"AccuracyScore": 89.0,
"Offset": 43900000
}
]
},
提前致谢