用于在音频文件中转录语音的开源软件

Question

任何人都可以推荐可靠的开源软件来转录wav文件中的英语语音吗？我研究的两个主要程序是Sphinx和Julius，但我从来没有能够得到任何工作，并且每个转录文件的文档都是粗略的。

我正在开发64位Ubuntu 10.04，其中包括sphinx2和julius，以及voxforge的julius英语音模。我专注于转录文件，而不是直接处理来自麦克风的声音，因为我已经放弃期望像这样的项目能够与Ubuntu的音响系统一起工作。这不是对付Ubuntu的敲门声，因为我可以使用Audacity完美地录制我的麦克风的声音，但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。

我第一次尝试了Sphinx2，从Ubuntu包sphinx2-bin。尽管示例sphinx2-demo似乎可以在转录文件时使用，但实际上没有关于配置的文档，所以我不确定如何定制这个以从任意wav中读取。演示中使用的音频文件有一些未公开的“16k”格式，它通过2个配置文件间接引用。有一段简短的介绍将sphinx2-demo描述为运行sphinx2-batch，但检查脚本显示它实际上调用了sphinx2-continuous。更糟糕的是，每个脚本列表的--help文档大约有六十个选项，并没有提及哪些是必需的或可选的。总体而言，狮身人面像文档的缺乏以及现有文档的质量差，让我感到非常紧张。

接下来我再次尝试了来自Ubuntu软件包的Julius，考虑到Voxforge的快速入门中使用的版本是3.5，令人惊讶的是最近（4.1）。该软件包似乎包含稍微好一些的文档，甚至是用Python编写的例子（/ usr/share/doc/julius-voxforge/examples/controlapp）。在阅读示例的文档后，我尝试通过创建一个文件filelist.txt来修改它以从文件中读取文件，其中包含文本“hello.wav”，该文件引用同名文件，其中包含某人的“你好”的录音。在同一目录中放置这些，我跑：通过指定Filelist.txt中绝对的文件名

### 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 

重试和hello.wav产生了同样的错误：

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

得到响应。

我还试图在示例中使用的朱利呼叫，直接从一个话筒记录：

julius -input mic -C julian.jconf 

我称这几次，和误差之间的响应变化：

Cannot read /dev/dsp 

和：

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

在后面的例子中，不管我对麦克风说什么，都没有任何反应。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，但无法录制音频。

我不知道该怎么做。我遇到的错误不会让我继续前进。为什么不能读取wav？为什么不能读取/ dev/dsp？为什么它似乎能够读取/ dev/dsp，但没有任何反应？

其他人有没有任何成功与开源语音识别器，特别是在Linux上？

Answer 1

Why can't it read a wav?

它告诉你文件有错误的采样率（8000）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?

在最近的版本中，使用了ubuntu pulseaudio框架来代替OSS。您尝试使用的版本正在使用OSS，因此您需要从您的发行版中安装oss兼容性软件包以恢复OSS支持。

你可以尝试新的朱利叶斯拥有的PulseAudio支持

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

音频输入不能正常工作。

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

当然，检查该视频作为什么人CMUSphinx做一个例子：

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

我建议你重新审视CMUSphinx包，它是一个领先的开源语音识别引擎。网站上有大量文件，你只需要阅读它们。请记住，语音识别是一个复杂的领域，您可以获得很好的结果，但您也需要投入时间来了解技术。就像任何其他域一样。

总之，抄写与CMUSPhinx你需要做以下3个简单的步骤文件：

1. 采取wav文件，并重新取样，以8kHz的16位单声道文件，SOX：

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

安装pocketsphinx 0.7

 apt-get install pocketsphinx

解码文件

 pocketsphinx_continuous -samprate 8000 -infile resampled.wav

结果将被打印到标准输出。要压缩记录器，请将stderr重定向添加到/ dev/null

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