python - 实时语音识别

Question

我有一个 Python 脚本，使用 Speech_recognition 包来识别语音并返回所说内容的文本。然而，转录有几秒钟的延迟。是否有另一种方法可以编写此脚本以在说出每个单词时返回它？我有另一个脚本来执行此操作，使用 pysphinx 包，但结果非常不准确。

安装依赖:

pip install SpeechRecognition
pip install pocketsphinx

脚本 1 - 延迟语音到文本:

import speech_recognition as sr  

# obtain audio from the microphone  
r = sr.Recognizer()  
with sr.Microphone() as source:  
    print("Please wait. Calibrating microphone...")  
    # listen for 5 seconds and create the ambient noise energy level  
    r.adjust_for_ambient_noise(source, duration=5)  
    print("Say something!")  
    audio = r.listen(source)  

    # recognize speech using Sphinx  
    try:  
        print("Sphinx thinks you said '" + r.recognize_sphinx(audio) + "'")  
    except sr.UnknownValueError:  
        print("Sphinx could not understand audio")  
    except sr.RequestError as e:  
        print("Sphinx error; {0}".format(e))

脚本 2 - 尽管语音转文本不准确，但即时:

import os
from pocketsphinx import LiveSpeech, get_model_path

model_path = get_model_path()
speech = LiveSpeech(
    verbose=False,
    sampling_rate=16000,
    buffer_size=2048,
    no_search=False,
    full_utt=False,
    hmm=os.path.join(model_path, 'en-us'),
    lm=os.path.join(model_path, 'en-us.lm.bin'),
    dic=os.path.join(model_path, 'cmudict-en-us.dict')
)
for phrase in speech:
    print(phrase)

Answer 1

如果您碰巧有一个支持 CUDA 的 GPU，那么您可以尝试 Mozilla 的 DeepSpeech GPU 库。如果您没有启用 CUDA 的 GPU，它们也有 CPU 版本。
CPU 使用 DeepSpeech 以 1.3 倍的时间转录音频文件，而在 GPU 上，速度为 0.3 倍，即它在 0.33 秒内转录 1 秒的音频文件。
快速入门:

# Create and activate a virtualenv
virtualenv -p python3 $HOME/tmp/deepspeech-gpu-venv/
source $HOME/tmp/deepspeech-gpu-venv/bin/activate

# Install DeepSpeech CUDA enabled package
pip3 install deepspeech-gpu

# Transcribe an audio file.
deepspeech --model deepspeech-0.6.1-models/output_graph.pbmm --lm deepspeech- 
0.6.1-models/lm.binary --trie deepspeech-0.6.1-models/trie --audio audio/2830- 
3980-0043.wav

一些重要的说明 - Deepspeech-gpu 有一些依赖项，如 tensorflow、CUDA、cuDNN 等。所以查看他们的 github repo 了解更多详细信息 - https://github.com/mozilla/DeepSpeech