问题标签 [speech]

我想构建一个应用程序来分析麦克风语音的情感内容。

尽管有时用作额外功能，但这并不涉及语音识别。情绪分析基于声音的韵律特征（音高变化、速度等、音调）。

我知道这可以在台式计算机上完成，但我不希望用户必须将他们的录音（电话对话）上传到服务器才能获得情感反馈。

我需要的是一个提供整个分析的 API，或者一个我可以用来提取这些特征的 API（即对话的平均速度）。

外面有这样的东西吗？

提前致谢！

我正在尝试自动录制 Google语音输入中的语音（仅适用于 Chrome）。

事实上，用户必须单击麦克风才能开始录制，但我正在安装一个用户不会与计算机交互的安装。因此，我必须以其他方式触发录制。

就您似乎无法通过代码访问语音输入功能而言，即您无法调用函数来开始录制。所以现在我正在研究模拟鼠标点击麦克风。
我尝试过使用 javaScript，但似乎只有事件和事件处理程序受到影响（例如，对输入字段的模拟点击会触发其点击处理程序，但不会将焦点放在该字段上。）

所以现在我正在研究模拟 Windows 系统的鼠标点击，我发现了一些可以做到这一点的程序（主要是在间隔上）并且它可以工作，录制开始。但问题是我必须从浏览器应用程序中激活点击模拟。
到目前为止，最好的选择是AutoHotkey，它使您能够创建自定义脚本，在我的例子中是模拟鼠标在给定位置单击的脚本。所以，如果我可以从浏览器执行这个脚本，我会很安全，但我不知道该怎么做。

欢迎任何想法和/或想法！

我们正在寻找一个 api 来获得语音到文本。在我们的例子中，我们想要将音频挖掘添加到视频文件中，这意味着我们想要自动为视频生成标签词，并让用户有机会直接跳转到说出标签词的时间码。

我发现 Google Speech API 似乎工作得很好，但http://lists.w3.org/Archives/Public/public-xg-htmlspeech/2011Feb/att-0020/api-draft.html下的文档不是最好的，我们还没有找到一种方法来自动触发开始和停止记录事件（它在系统认为输入结束后结束）。即使听起来系统还没有为这种情况做好准备......

我还在这里找到了这篇文章https://stackoverflow.com/questions/2080401/is-there-a-speech-to-text-api-by-google，但似乎只能在 android 系统上使用。

所以基本上我的问题是：是否可以将 Google Speech API 与 flash 或 PHP/JS 之类的东西一起使用（如果是的话，是否有任何好的示例），如果没有，是否有人知道其他一些 API 以及一些好的文档或示例代码将视频中的语音转换为文本？

谢谢，克里斯

我遇到了这个关于如何捕获 SpeechRecognizer 返回的音频数据的好答案。但是返回的字节是原始的，我想知道是否有办法将这些字节编码为 AMR_NB 文件，以便 MediaPlayer 可以播放。请点亮一些灯。太感谢了。

我正在构建一个应用程序，其中一部分会说出时间。但是，当我将日期字符串（如 10/24/11）传递给 NSSpeechSynthesizer 时，它会按字面意思说出它们，如“一，零，斜线二四斜线一一”，与时间戳相同，“八冒号一一”冒号冒号”等。

我查看了 NSSpeechSynthesizer 文档，我想我必须使用 phonemesFromText 方法，但这似乎需要大量繁重的工作才能让应用程序顺利说出时间和日期。有更快的方法吗？

谢谢

我正在为我的项目寻找一个文本语音 API，但我找不到一个好的，因为我正在寻找免费的。

我找到了 iSpeech，它对移动开发人员免费，但如果您是 Web 开发人员，则必须付费。

我尝试了Google Text Speech，但它限制为 100 个字符。

你知道像这样的文本语音API吗？

谢谢。

对于使用什么工具来开发离线外语语音识别有什么建议吗？我目前正在努力研究如何通过在 java 语言中使用 eclipse 创建一个声学模型来训练系统理解马来语。可以使用 PocketSphinx 吗？

我正在使用 system.speech.recognition 从多个单词中识别一个单词。因为精度不是很好，所以我想考虑引擎给我的更多选项。

但是，e.Result.Alternates 只包含一个与 e.Result.word 相同的结果。有没有办法强制引擎给我更多选择？谢谢！

我希望创建一个像这样的语音气泡框：

我想知道如何在td表元素中制作这样的“评论框”。我怎样才能只用 CSS 获得这个？

我有这个 HTML 标记：

想知道是否有人可以提供帮助。

这就是我想要做的：有效地编写一个“脚本”（如在剧院/舞台类型的制作脚本中），它有几个声音/演员，在不同的时间说出不同的文本位。所以会有几个声音同时开始，都在说不同长度的不同事情。

我想做的是使用 Python 在 Linux/Ubuntu 上对此进行编程，我只是想知道是否有人对解决此问题的最佳方法有任何想法？

非常感谢您的任何想法。

干杯