c# - .Net 中的音素语音

Question

问题是我想获取 C# 语言语音的音素。假设你有一个像“x.wav”这样的音频文件，上面写着“你好亲爱的沙米姆”。我想提取语音的所有音素及其相对时间。类似于下图:

我使用了 System.Speech 库(recognition 和 synthesis 命名空间)但我没有找到我想要的。现在不要误会!我不想要句子“你好亲爱的沙米姆”的音素，我想从一个未知的说英语的音频输入和英语句子中提取音素。我试过 System.Speech.Recognition 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! ;)

Answer 1

与单词识别相比，音素识别需要一些专门的设置，而且大多数引擎不直接支持它(单音“单词”的字典通常不会产生很好的准确性)。一个很大的原因是音素识别远不如单词识别准确，因为单词识别更受限制(它过滤掉所有不映射到真实单词的电话组合，这是大多数)。但是 HTK 确实支持它。您可以通过执行 shell 命令(从 C# 执行此操作没有什么坏处)或调用库来使用它。