一个月前，我可以使用GoogleAPI识别大约10秒长的语音。但今天，这个api只接受长度不超过2秒的语音。任何人都能给我一种识别长篇大论的方法。 谢谢。我想您需要选择其他语音识别系统。请参见此处发布的答案：。詹姆斯·格里斯指出，谷歌政策的改变限制了这段时间。

我正在使用HTK进行孤立词识别的实验。到目前为止，我已经构建了以下文件： dict文件： eight eight sp five five sp four four sp nine nine sp one one sp sent-end sil sp sent-start sil sp seven seven sp six

如果我想开发一个简单的精灵单词识别系统，我应该从哪里开始呢？ 我读过很多文章，但它们都是关于英语语音识别的，而不是针对自定义语言的。 < P>你可以考虑访问。在那里你可以找到与各种语言相关的教程、讨论论坛和音频存储库。这些教程基于一套相当古老但可靠的工具和技术，包括HTK、Sphinx、Julius等 这些教程是针对英语的，但它们很容易适应其他语言。你的挑战将是确定一组适用于精灵语的音素，用该语言生成一组音频样本，然后构建模型。 有了正确的音素和足够的音频，你的努力没有理由不成功，但这需要一些时

感谢您抽出时间查看/回答QN。 我意识到谷歌提供的快速启动代码能够立即用于语音识别，那么为什么谷歌仍然希望我们创建API密钥，谷歌如何向我们收费 下面是代码 // [START speech_quickstart] using Google.Cloud.Speech.V1; using System; namespace GoogleCloudSamples { public class QuickStart { public static void Main

在.NETFramework4.7.1中遇到此问题，但是它不会引发异常，并且在.NETCore2.0中工作 在.NET中执行以下行时出现此错误 var recognizer=factory.CreateSpeechRecognizer（） {”的类型初始值设定项 “Microsoft.CognitiveServices.Speech.Internal.Carboncsharppinvoke” 引发了异常。“} NET Core 2.0中的代码创建了工厂。还确保安装最新的Visual C++重新分

做这件事最好的图书馆是什么。而且质量是好的，这是值得信赖的。无法使用扬声器语音训练系统或使用术语词典来改善结果。在windows上，您希望使用SAPI接口（语音API）。有多种实现。微软提供了一个带有Windows的免费软件。Dragon NaturallySpeaking是一个非免费的工具，我在过去看到过它被用于类似的任务（经过努力）。如果演讲者讲得很清楚（并且没有重叠和互相打断），那么缺乏训练就不会有那么严重的问题 你不会得到一个好的成绩单，但是，准确性会很差，你得到的将只对索引有用。大词和

我正在尝试为chrome webkitSpeechRecognition对象设置语法 rec.grammars.addFromUri("grammar.grxml"); 不起作用。浏览器只是忽略了语法（没有显示错误消息） 我在这篇文章中读到： “尽管w3c为web语音指定了语法，但chrome尚未实现” 这是真的吗？ 是否有已知的解决方法？ 什么时候应该支持它？ 还有其他好的基于web的引擎支持语法吗？我也遇到了同样的问题。关于这件事的文件也很少 2017年3月左右发布的一篇文章还指出，它在C

我已使用语言模型将我的语音解码为音素。我需要将语音分割为句子和单词。我知道，ctm文件会有所帮助。有人能告诉我如何为特定语音实例生成ctm文件吗？从识别器转储字数的代码： int frame_rate = cmd_ln_int32_r(config, "-frate"); ps_seg_t *iter = ps_seg_iter(ps, NULL); while (iter != NULL) { int32 sf, ef, pprob; float conf; ps_s

我是机器学习新手。我偶然发现了ML.NET（微软的机器学习框架）。我们可以使用这个框架进行语音识别吗？如果你想在ML.NET中进行语音识别，你应该知道哪些事情？IMHO，对于初学者来说，修改样本神经网络/深度学习解决方案是一个很好的起点。对于神经网络，起点是张量流。使用ML.net，您可以使用Tensorflow模型 使用Tensorflow进行音频识别： 将Tensorflow模型与ML.net结合使用的示例： ML.NET此时不处理音频，只处理文本和图像。您可以在ML.NET github

我在文档中到处搜索，但仍然不清楚如何为Watson Speech-to-text API设置置信阈值 此处底部附近提到了阈值，但没有提到在发出请求时如何实际设置阈值 这是在请求的某个地方完成的吗？请参阅API参考： word\u备选方案\u阈值 一个置信值，它是将一个假设识别为一个可能的词替代（也称为“混淆网络”）的下限。如果替代词的置信度大于或等于阈值，则考虑使用替代词。指定介于0.0和1.0之间的概率。如果省略该参数，则不会计算其他单词。参见单词替代

我正在vue.js上运行一个简单的语音识别代码 <template> <div> <button class="speech-to-txt" @click="startRecognition"> Speech to txt </button> <div class="speech-transciption"> <div

我有一个语音应用程序，如果能够使用“触发字”开始录制音频，它将得到很大改进。我不需要完整的语音文本引擎，只需要可靠/高效地检测触发字的能力 我想知道是否有任何专门的语音引擎支持这个特定的用例，或者有任何库/方法来开发这样一个单一用途的检测引擎。理想情况下，我希望它能在嘈杂的环境中工作，但它可以针对单个用户的声音进行训练 如果能提供研究论文/主题的指导，我将不胜感激。好的，我可能会完全放弃，但使用功能齐全的语音识别库可能会对您的用例造成过度伤害 如果你能生活在更简单但仍然有音频驱动的环境中，请考虑

哪种编程语言具有最成熟的语音识别api？可能无关紧要-识别库可能用C编写，因此几乎可以从任何东西调用。可能无关紧要-识别库可能用C编写，因此几乎可以从任何东西调用。我不认为我会将任何语音识别API称为“成熟”，但我更喜欢托管代码语音API，它随.NET>=3免费提供。这意味着你可以使用任何你喜欢的.NET语言：C，VB，C++。即使是IronRuby，我也不认为我会将任何语音识别API称为“成熟”，但我更喜欢托管代码语音API，它随.NET>=3免费提供。这意味着你可以使用任何你喜欢的.NET语

OSX现在已经为几个版本内置了连续语音识别 现在非常好 OSX 10.10是否有用于此连续语音识别引擎的API 谷歌告诉我，大约在2009年，只有NSSpeechRecognitor（） 有谁能证实情况是否仍然如此 我这样问是因为我正在考虑构建自己的集成UI，它将是Leap控制器和语音输入的混合体 如果我能使用OSX的引擎，那就太棒了。否则，我认为我没有其他好的/可行的选择

我正试图用字典来提高Pocketsphenx的准确性。。 我给了一张单子，上面写着 apple ball bottle 很多时候，我注意到它给了我这些词的组合作为结果 apple ball bottle ball etc 有没有办法解决这个问题？表示只输出这些单词中的一个而不输出组合的任何标志。您可以使用这样的语法，而不是语言模型 #JSGF V1.0; grammar test; public <result> = apple | ball | book;

我正在做一个项目，在这个项目中，用户可以说一个单词，而我的程序将在一个打开的文件中导航到它的第一个实例 不过，文件中有时有些单词不在斯芬克斯字典中。我希望我可以在启动时扫描文件，对于每个单词，询问Sphinx是否知道该单词。如果没有，我会让用户把它发出来，然后以某种方式将这个词和发音添加到Sphinx中 我知道PocketSphinx有一个ps_add_word函数，可以做类似的事情，但我没有看到Sphinx有类似的功能 还有，有没有一种方法可以在运行时训练现有单词？让我们假设，每当我说“资本”

我有嵌入cortana的应用程序。我想这样做，使cortana能够连续识别并将语音转换为文本。它还将该文本保存到文本文件中。我不想要实际的编码，但我想要一个完美的流程来做到这一点。是否有人提供流程图或一些链接来帮助我完成我的项目？不确定您的问题-您目前无法通过任何官方API将Cortana集成到您的应用程序中。你的意思是你正在通过VCD将你的应用程序集成到Cortana中吗 在任何情况下，您可能希望在您的用例中使用ProjectOxford API而不是Cortana。假设您得到最终用户的同意记

我有一个脚本，它可以简单地将视频转换成带有特定参数的wav格式，然后转录音频 def video_to_wav(self): mp4_video = os.path.join(self.dir, self.name + ".mp4") if os.path.isfile(mp4_video): subprocess.call("ffmpeg -i {0} -acodec pcm_s16le -ac 1 -ar 16000 {1}.wav".format(

我想复制alex graves的论文“http://proceedings.mlr.press/v32/graves14.pdf". 他用 没有关于噪音标签或特殊字符的线索。。 你能给我一个提示，让我为《华尔街日报》制作一个正确的43字符集吗？ （我试图在卡尔迪找到一些线索，但找不到） total of 43 characters (including upper case letters, punctuation and a space character to delimit the wor

我在语音识别的解码部分遇到问题。我跟着台阶走。当我键入：perl scripts\u pl/decode/slave.pl时，会出现以下错误： 模块：使用先前训练过的模型解码 解码从0开始的130段（第1部分，共1部分）找不到/home/go/Documents/tutorial/an4/bin/sphinx3_decode的可执行文件 在 /home/go/Documents/tutorial/an4/scripts_pl/decode/。/lib/SphinxTrain/Util.pm 第2

我一直在玩quakelive.com，对我的键盘绑定感到沮丧，我想用语音命令来绑定 我想我应该创建一个c控制台应用程序在后台运行，并使用SAPI for windows 7 64位内置的语音识别引擎来完成所有繁重的语音任务。我的程序将听取演讲，并做出相应的回应。但是，我不知道如何在玩游戏时在后台运行我的console应用程序，同时使用ms语音识别 这是我到目前为止写的： using System; using System.Collections.Generic; using System.Di

代理（应用程序a）将呼叫转接到我们的vxml应用程序（应用程序b）， 要求同一代理能够在我们的vxml应用程序（应用程序b）中输入一个数字 然后，从我们的vxml应用程序（应用程序b）中，我们需要将呼叫转移到另一个外部应用程序（应用程序c），并在出现断开连接时回拨此呼叫（盲转可以做到这一点） 然而，我们也被告知，在外部应用程序（应用程序c）上，代理需要在某一点上退出，并允许其客户与其进行交互 我不确定这是否可能，因为我想在这一点上，我们将失去呼叫控制，这将返回到我们的vxlml应用程序（应用程序

我使用VisualStudio社区进行编译 我最初想要测试的文件长达一个多小时，所以我用了3秒的音频进行了测试，然而，同样的事情发生了。 以下是我使用的命令行参数： C:\path\to\pocketsphinx_continuous -infile C:\path\to\file.wav -hmm C:\path\to\en-us -kws_threshold 1e-40 -keyphrase "what I need to detect" -time yes 我被告知要像这样转换文件： f

想知道是否有人使用谷歌的去噪器为谷歌见面？它刚刚发布 听起来很酷，但想知道产生的音频（通过这种“去噪”）是否会影响通过ASR（自动语音识别）自动转录会议的能力 我所研究的大部分/所有这些噪声消除技术都集中在使嘈杂音频信号中的语音对人耳更为明显。。。。但他们在音频信号中引入了人工制品，这会扰乱ASR和任何自动会议转录。如果这个谷歌去噪器没有做到这一点，那就太好了

是否可以识别非语言表达或为此定制工具（Google Speech/IBM Watson）？非言语表达是讲话过程中的停顿，例如： "hum... i would like to know hum... how do i connect YouTube to Google AdSense" 在我到目前为止所做的测试中，这种类型的表达在转录本中被忽略了，IBM Watson语音到文本服务将其汇总为犹豫。如果您没有看到这一点，那么可能会打开智能格式化选项，您需要关闭该选项

有谁知道一个（最好是C#Net）库，可以让我在录音中找到某个特定的人正在讲话的片段 使用工具箱可以： 是用C++编写的，用于Linux测试，但也应该在Windows或OSX下运行。 该工具包是我在自动语音识别（ASR）博士研究中的副产品。将其用于ASR本身可能并不是那么简单，但对于语音活动检测（SAD）和日记化（查找一个特定人的所有语音）来说，它非常容易使用。以下是一个例子： 创建一个16KHz、16位、小端、单声道的无头pcm音频文件。我使用ffmpeg创建原始文件：ffmpeg-I[INPU

所以我正在尝试建立并运行MS语音平台11+SDK+俄语，用于TTS和SR 安装SpeechPlatformRuntime.x64.msi 安装MicrosoftSpeechPlatformSDK.x64.msi ---这两个文件都会转到正确的“程序文件”文件夹 安装MSSpeech_SR_ru-ru_TELE.msi 安装MSSpeech_TTS_ru-ru_Elena.msi ---两者都会转到“程序文件（x86）”文件夹可以吗 似乎不是，因为当我查看SpeechRecognitionEngi

我需要训练一个双向LSTM模型来识别离散语音（从0到9的单个数字）。我已经录制了100位发言者的语音。接下来我该怎么办？（假设我将它们分割成单独的.wav文件，每个文件包含一个数字）我将使用mfcc作为网络的功能 此外，如果我要使用支持CTC（连接主义时间分类）的库，我想知道数据集的区别。您可以使用提供的答案/指导 根据您用来创建LSTM（pybrain、theano、keras）的库，您可以查看它们的文档 我建议使用Theano（二进制LSTM）或Keras（二进制LSTM），因为它们很容易理

正在使用processRaw尝试edu.cmu.sphinx.pocketsphinx以检测沉默 使用以下配置： en-us.lm.bin语言模型 en-us-ptm声学模型 cmudict-en-us.dict字典 同时将remove_noise设置为True，将samprate设置为8000 我想做一个Ngram搜索 当While循环调用processRaw完成时，我同时调用这两个函数 假设。getHypstr（）和 解码器。getInSpeech（） 为什么getHypstr返回空，而ge

我想使用CMU Sphinx 5 prealpha进行实时语音识别（用于检测一些热门词汇），并使用以下命令： pocketsphinx_continuous -inmic yes\ -hmm zero_ru.cd_cont_4000\ -dict ru-dict-min.dic\ -lm ru-cmds-min.lm\

有没有办法在custom speech studio中删除我的自定义语音项目中的插入结果 我的音频是葡萄牙语的，还有我的成绩单。训练后的测试结果插入了不需要的单词。这个不需要的单词会以这种方式损害语音质量。尝试其他ASR工具包，您会获得更好的准确性；）嗨，尼古拉，这是不可能的。我必须使用Microsoft speech toolkit创建一个解决方案。请尝试其他ASR toolkit，您将获得更好的准确性；）嗨，尼古拉，这是不可能的。我必须使用Microsoft语音工具包创建一个解决方案。

作为标题，我正在使用嵌入式设备上的Pocketspinx开发语音识别系统。我已经在嵌入式设备上安装了Pocketspinx。但是采集语音的时间非常慢，识别效果很差。在应用程序运行期间，采集语音时间大约需要5000纳秒来计算_frame _pow。是否有必要？如何提高计算速度？pocketsphinx中实现了许多算法，以非常快的速度运行。有些是默认启用的，有些需要启用。实际上有一个关于这一点的wiki页面： 但是，您需要知道，速度优化是一个复杂的过程。在很多情况下，速度是用来换取准确性的，你需要

我正在尝试使用MAP和MLLR调整sphinx4的声学模型。 我知道我必须使用mllr\u solve二进制和bw进行一次迭代 我想知道使用bw的-mllrmat选项是否等同于在bw调用之前使用mllr\u transform工具应用基线平均值。 换句话说：如果我正在使用bw中的-mllrmat选项，是否可以跳过mllr\u变换步骤？是，效果相同

我正在使用MFCC提取特征来实现一个语音识别器，我一直在使用HMM实现。我正在使用Kevin Murphy工具箱进行HMM。我的MFCC结果矩阵包含负值。我得到的可能是这种情况，我的MFCC代码可能是错误的。下面是我得到的错误- Attempted to access obsmat(:,-39.5403); index must be a positive integer or logical. Error in multinomial_prob (line 19) B(:,t) = ob

我正在使用.NET System.Speech编写一个简单的应用程序来转录音频文件。一切都很好，除了它不断地输出“dot net”，当然，我希望它输出“.net” 那么，有没有办法编写一个SRGS规则来实现这一点 另外请有足够声誉的人创建“SRG”标签 在SRG中，如果没有语义成分，您可以识别标记（例如单词）。点（即）不是令牌的有效字符。如果您使用的是SISR，则可以更正规则中的文本 您可以使用dotnet作为具有适当发音规则的标记，但根据识别引擎的不同，您仍然可以将dotnet视为有效的识别

使用Microsoft语音API转录中/大型音频文件（每个文件约6-10分钟）的最佳方式是什么？比如批量音频文件转录 我使用中提供的代码连续转录语音，但它在某个点停止转录。转录有什么限制吗？我只使用免费试用账户atm 顺便说一句，我假设Bing语音API和新的语音服务API没有区别，对吗 谢谢大家 语音服务允许每月5000次交易，免费试用期间每分钟20次，因此，由于实时连续识别，您可能会在某个时候超过每分钟20次的限制。谢谢您的反馈 我同意样本（以及您正在查看的文档）不是很清楚，我们将很快更新

理想情况下，我正在寻找的是一种方法，以获得一个向量的概率，一个特定的部分音频文件是一个特定的电话。比如： 输入： 波形文件 起始位置（例如在1.4秒时） 持续时间（例如500毫秒） 输出： SIL 2.324*10^-3 AA 1.514*10^-4 AE 1.482*10^-2 中弘5.03*10^-5 您可以在强制校准模式下运行HVite获得分数。恐怕您必须为您拥有的每个音素运行此操作： HVite -A -D -T 1 -l '*' -o NTW -C HTK.cfg -a \

如果要在网络语音识别器和安卓/iOS语音识别器（主要是安卓或整个移动设备）之间进行选择，两者的优缺点是什么 标准：离线/在线识别、语言支持、处理速度、识别文本的保真度、连续收听、限制等 个人经验也很受欢迎：）我会选择自己的图书馆，因为它比这两个图书馆灵活得多；）我会选择自己的库，因为它比这两个库灵活得多；）

我目前正在制作一个语音识别程序。在使用LBG（Linde Buzo-Gray）算法生成码本的步骤中，我已经了解到分裂因子ε=0.01（通常） 分割因子用于根据公式分割语音特征（训练集）的质心 Yn+=Yn*（1+epison） Yn-=Yn*（1-ε） 其中n是要分割的给定码字/质心的索引，Yn是码字 此外，在生成码本后，将搜索每个语音特征向量（训练集）的最近邻，并更新质心（基本上是特征聚类）。这样做直到码本的失真小于ε 虽然我的程序似乎运行良好，但我想知道为什么分割因子通常设置为0.01 感谢

我试图重现“使用深度卷积神经网络实现端到端语音识别。”（）。 在本文中，作者使用了如下实现的maxout激活函数： # this is an equation (5) from the paper Hi=max(Hi`, Hi``) , where Hi`=Wi`*X + b` and Hi``=Wi``*X+b`` 根据该方程，maxout激活函数需要一个额外的权重矩阵和2个分段线性函数的偏差向量 此外，当我按照本文所述设置模型架构时，参数的数量将超过3500万。（参数编号应为4.3M） 你

我的问题是： 我有很多（成千上万）的mp3文件，我的用户希望能够搜索。有没有你使用过或听说过的软件，可以让我索引这些内容并将其放入数据库，以便我以后可以搜索它？我听到了非常好的评论，细致入微。他们提供了一个很好的解决方案，但我找不到任何关于小项目定价的信息。我听到了非常好的评论，细致入微。他们提供了一个，但我找不到关于小项目定价的任何信息。有一个开源库有一个开源库你知道有没有开发人员的API吗？你知道有没有开发人员的API吗？

我的应用程序有一系列对话框，要求来电者从列表中选择： “您想要哪种？帐户信息、帐户更改、请求文档、与代表交谈。” 在伪代码中，它是这样显示的： <prompt> Which would you like? Account Information, Account Changes, Request Documents, Speak to a Representative. </prompt> <grammar> "Account Information":

有人能帮我找到一个解决方案，我可以用来输入单词或字符。正在寻找基于java的开源解决方案 我正在寻找一个应用程序，输入字符的简单作为“a b 1 8”或词作为苹果php等 Sree据我所知，在语音识别中没有“简单”这样的东西——如果你想让它真正可用的话就没有了。它也是一个在理论和开发方面都有很高要求的领域，因此没有太多的开源项目 现在，就Java语音识别软件而言，您可以看看。如果您想使用API，请看看Java的文本到语音API： 如果您在这里实际需要一个软件（即，您不必编写任何程序），您应该在

我有一个应用程序，我正在使用谷歌的语音识别来获取用户的语音输入作为文本。这行得通，没问题——我明白了 是否可以将我的文本字符串发送到与google语音操作相同的逻辑/引擎进行解析，并让AndroidOS执行正确的操作 或者，启动一个意图，提示用户进行谷歌语音操作-spech将按此方式执行（例如，侦听…），但如果与谷歌语音操作给出的内容不匹配，它将广播回我的应用程序，并将结果文本处理为溢出 解析返回的文本并确定用户真正的意思（而不是他们所说的文本）是一个复杂的问题。在最简单的方面，您可以维护一个关

我正在使用Sphinx 4进行声学模型自适应，如下所示。 下面是我使用bw-hmmdir wsj-moddeffn wsj/mdef-ts2cbfn.cont时得到的结果-feat 1s_c_d_dd-cmn current-agc none-dictfn vn.dic-ctlfn lisp.fileids-lsnfn lisp.transcription-accumdir。 我怀疑，由于我的WAV文件没有任何静默板，因此会出现上述错误。对吗？如果不是，错误的原因是什么 注意：我录制了一个包含

各位专家 我有很多包含数字（0-9）的mp3文件（原始音频流采样器为11.025 kHz） 不同的说话者（男性/女性）说例如“一”、“七”、“三”等，中间有停顿（~2-2.5秒） 我将使用CMU Sphinx来识别语音（桌面应用程序）。所以我有一些问题： MP3解码：如何解码我的MP3文件意味着什么 我是否应该指定为ffmpeg（据我所知，不建议指定为ffmpeg） 上采样/下采样流）。解码时是否应过滤噪音和/或频带 声学模型：如果我不对流进行上采样/下采样，怎么能 我发现一个声学模型支持110

我正在训练一个CNN模型，使其只识别一个关键词，例如，“嗨，Foo” 现在我有大约2000个waves作为训练数据集，它被输入到一个有3个转换层的小模型中 在测试中，当我只说“Hi”时，模型将输出“Hi，Foo” 似乎模特只学会了“嗨”而不是“嗨，福”。有没有办法处理这个问题 谢谢 Sola我已经培训了模型的“conv+全球平均池+FC”和“conv+FC（CTC）”结构。这两个模型有相同的问题。

是否有人使用Twilio或其他语音+电话API创建了一个系统，通过电话以编程方式接受信用卡？该系统显然将依靠语音对文本和文本对语音来自动化接受信用卡的过程 如果是，CC费用是多少？您使用了哪种语音+电话API 谢谢 是的，我已经这样做了，但由于与信用卡支付处理相关的PCI-DSS要求，这在技术上并不简单。由于您无法存储信用卡CV2值，因此评估的交易费用很可能会高于实际水平。具有有效CV2值的交易通常由收单银行以较低的利率处理 我会忘记为这个转录用户语音，Twilio还不支持允许直接语音输入的语法

在使用Sphinx4和Java语音API创建语音识别时，我遇到了一个问题。 我做的和作者在他的博客中做的完全一样，但是当我执行我的程序时，我在 Recognizer recognizer = (Recognizer)cm.lookup("recognizer"); recognizer.allocate(); //Here is my null-pointer 有可能是安全问题吗？如果是一个，我如何修复它 谢谢你的帮助， 祝你今天愉快 但是当我执行我的程序时，我在 Recognizer rec

我有两个问题与谷歌的语音到文本API有关（） a）有人知道Google的Speech-to-Text API是否在原始输出的基础上使用语言模型（LM），通过使用LM纠正原始输出中错误的单词来提高输出质量吗 b）如果它确实使用了LM，我如何禁用/关闭它，以便获得带有更正的原始输出