java - CMU Sphinx 转录准确性

Question

我正在开发网络语音识别应用程序。我正在使用 recorderJS 捕获声音并将其发送到后端，并在后端使用 CMU Sphinx 对其进行处理。

我在发现最新版本 5prealpha 的库时遇到了准确性问题，使用默认的声学模型、语言模型和字典，后来通过使用 JSGF 语法减少了识别的单词数量，所以我用的是1.0 beta6版本。

1.0 beta6版本的麦克风识别相当准确。然而，当我转录声音时，它总是很差。如何提高准确率？我尝试使用最新版本的 StreamSpeechRecognizer，但结果也很差。

Answer 1

我设法获得了很好的准确性。我检查了edu.cmu.sphinx.frontend.util.Microphone类的实现，发现采样率为16000，比特率为16， channel 数等于1。

我进一步查看了 recorderJS，发现 Google Chrome 中的采样率为 44,100 Hz，因此我寻找了该库的可配置版本，并找到了 Matt Diamond 的 RecorderJS 的 Chris Rudmin 分支。

我没有使用最新版本，因为声音是在 Ogg 中导出的格式，我需要它是 WAV ，所以我查看了以前的版本；我使用了 0.3 版本，其中比特率是可配置的，并且运行良好。

我后来修改了它附带的示例，以下参数给出了很好的准确性:

监听增益:0

位深度:16

channel 数:1

recordOpus:未选中

采样率:16000

比特率:32000

这是CMU Sphinx中流数据源的配置的 XML 配置文件。

<component name="streamDataSource"

    type="edu.cmu.sphinx.frontend.util.StreamDataSource">

    <property name="sampleRate" value="16000" />

    <property name="bitsPerSample" value="16" />

    <property name="bigEndianData" value="false" />

    <property name="signedData" value="true" />

</component>