语音识别API

Question

我有一个Java应用程序，想在上面实现语音识别功能。就像这样：假设我有一些记录，用户称之为“嘿”，“一”，“二”，“茶”。当他/她说“嘿”时，语音识别API应该识别记录的第一个输入。“嘿”，“一”，“二”，“茶”可能是英语中不是单词的东西。

我已经查找了一些支持语音识别或具有音频指纹算法的API。但是我不想使用它们。让我解释一下为什么我不使用这些API。首先，语音识别API尝试理解单词并将其转换为文本。然而，这仅限于一个API支持的语言。即使语音识别API支持英语，由于用户发音不好，也可能会得到糟糕的结果。因此，我不想在我的应用程序中使用语音识别API。因为该功能不应基于语言。

此外，当我寻找语音识别API时，我发现了“音频指纹”API。我使用了开源的“musicg” API，然后开发了一个测试应用程序。该应用程序记录包含非单词语音的4个不同音频文件。之后，我录制了一个与其中一个类似的声音，并且测试API使用musicg API将最后一个与前面的音频文件进行了比较。然而，结果也非常糟糕。

正如我之前提到的，我需要获得一个像旧电话一样的语音识别功能。

- ziLk

---

我也有同样的问题，先生。仍在寻找答案。关于鼓掌识别有什么参考资料吗？ - Sagar Nayak

@SagarNayak 你可以使用musicg api来识别拍手声。https://groups.google.com/forum/?fromgroups#!topic/musicg-api/oWRpUo3ZNXo - ziLk

一定要尝试并更新。谢谢@zilk。 - Sagar Nayak

请看这个问题。你或许可以帮助我。http://stackoverflow.com/questions/37925382/detectionapi-supports-mono-wav-only - Sagar Nayak

Answer 1

请查看Kaldi http://kaldi-asr.org/ 或这个TensorFlow教程：https://www.tensorflow.org/tutorials/audio_recognition

在这两种情况下，您都可以训练模型，它不是基于语言的。您可以为某些特定的声音或口音，或某些特定的上下文训练模型。

此外，也许这个项目对你有兴趣：https://github.com/cmusphinx/g2p-seq2seq 它不使用语言模型，并将音频转换为音素。

- Artyom Chernetsov