java - 用于在音频文件中转录语音的开源软件

Question

谁能推荐可靠的开源软件来在 wav 文件中转录英语语音？我研究过的两个主要程序是Sphinx和 Julius ，但是我从来没有能够让任何一个工作，而且每个关于转录文件的文档充其量是粗略的。

我正在 64 位 Ubuntu 10.04 上进行开发，其 repos 包括 sphinx2 和 julius，以及 voxforge 的 julius 英语声学模式。我专注于转录文件，而不是直接处理来自麦克风的声音，因为我已经放弃了期望像这样的项目可以与 Ubuntu 的音响系统一起使用。这不是对 Ubuntu 的打击，因为我可以使用 Audacity 完美地用我的麦克风录制声音，但是这两个系统似乎都无法访问我的麦克风，所以我希望我可以通过从文件中读取来简单地配置它们。

我首先尝试了 Sphinx2，来自 Ubuntu 软件包 sphinx2-bin。尽管示例 sphinx2-demo 似乎可以用于转录文件，但实际上没有关于配置的文档，所以我不确定如何自定义它以从任意 wav 读取。演示中使用的音频文件是一些未记录的“16k”格式，通过2个配置文件间接引用。有一个简短的说明，将 sphinx2-demo 描述为运行 sphinx2-batch，但检查脚本显示它实际上是在调用 sphinx2-continuous。更糟糕的是，每个脚本的 --help 文档列出了大约 6 打选项，并且没有提及哪些是必需的或可选的。总的来说，sphinx 文档的缺乏和现有文档的质量差让我抓狂。

我接下来尝试了 Julius，再次来自 Ubuntu 软件包，考虑到 Voxforge 的快速入门中使用的版本是 3.5，该软件包令人惊讶地是最近的 (4.1)。该软件包似乎包含更好的文档，甚至还有一个用 Python 编写的示例 (/usr/share/doc/julius-voxforge/examples/controlapp)。在阅读了示例的文档后，我尝试通过创建一个包含文本“hello.wav”的文件 filelist.txt 来调整它以从文件中读取，该文件指的是同名文件，其中包含记录有人说“你好”。将它们放在同一个目录中，我运行:

julius -input file -filelist filelist.txt -C julian.jconf

得到响应:

### read waveform input
Error: adin_file: sampling rate != 16000 (8000)
Error: adin_file: error in parsing wav header at hello.wav
Error: adin_file: failed to read speech data: "hello.wav"
0 files processed

通过为 filelist.txt 和 hello.wav 指定绝对文件名重试会产生相同的错误。

我还尝试了示例中使用的 Julius 调用，直接从麦克风录制:

julius -input mic -C julian.jconf

我调用了几次，响应因错误而异:

Cannot read /dev/dsp

和:

STAT: AD-in thread created
<<< please speak >>>

在后一种情况下，无论我对着麦克风说什么，都不会发生任何事情。我不知道它是否仍然无法读取麦克风，或者它是否正在读取某些内容，但只是无法转录音频。

我不知道该怎么做。我遇到的错误并没有给我留下太多的余地。为什么不能读wav？为什么它不能读取/dev/dsp？为什么它看起来能够读取/dev/dsp，但没有任何反应？

有没有其他人在开源语音识别器方面取得了任何成功，尤其是在 Linux 上？

Answer 1

Why can't it read a wav?

它告诉您文件的采样率 (8000) 错误，而不是请求的 (16000)。采样率对于语音识别软件来说非常重要。

Why can't it read /dev/dsp?

在最近的 Ubuntu 版本中，pulseaudio 框架被用来代替 OSS。您正在尝试的版本正在使用 OSS，因此您需要从您的发行版中安装 oss-compatibility 包以恢复对 OSS 的支持。

您可以尝试支持 pulseaudio 的新 Julius

Why does it then appear to be able to read /dev/dsp, but not react in any way?

音频输入无法正常工作。

Has anyone else had any success with open source speech recognizers, especially on Linux?

当然，观看此视频作为人们使用 CMUSphinx 的示例:

http://www.youtube.com/watch?v=vfaNLIowSyk

我建议您重新访问 CMUSphinx 软件包，它是领先的开源语音识别引擎。网站上有很多文件，你只需要阅读它们。请记住，语音识别是一个复杂的领域，您可以在其中获得出色的结果，但您还需要花时间了解该技术。就像任何其他域一样。

简而言之，要使用 CMUSPhinx 转录文件，您需要执行以下 3 个简单步骤:

1. 获取 wav 文件并使用 sox 将其重新采样为 8khz 16 位单声道文件:

    sox input.wav -r 8000 -c 1 resampled.wav

1. 安装pocketsphinx 0.7

   apt-get install pocketsphinx

1. 解码文件

    pocketsphinx_continuous -samprate 8000 -infile resampled.wav

结果将打印到标准输出。要抑制记录器，请将 stderr 重定向添加到/dev/null

    pocketsphinx_continuous -infile resampled.wav 2> /dev/null