音频文件中语音转录的开源软件

Question

有谁能推荐可靠的开源软件来将英语语音转录成wav文件吗？我研究过的两个主要程序是Sphinx和Julius，但是我从来没有能够让它们工作过，而且每个关于转录文件的文档充其量只是粗略的。

我正在开发64位的Ubuntu10.04，它的repos包括sphinx2和julius，以及voxforge的julius acoustic model for English。我专注于转录文件，而不是直接处理来自麦克风的声音，因为我已经放弃了期望像这样的项目能与Ubuntu的声音系统一起工作。这并不是对Ubuntu的攻击，因为我可以用我的麦克风完美地使用Audacity录制声音，但是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读取文件来简单地配置它们。

我第一次尝试Sphinx2，来自Ubuntu包Sphinx2-bin。尽管sphinx2示例演示似乎可以转录文件，但实际上没有关于配置的文档，所以我不确定如何将其自定义为从任意wav中读取。演示中使用的音频文件是一些未记录的“16k”格式，这是通过2个配置文件间接引用的。有一个简短的简介将sphinx2演示描述为运行sphinx2批处理，但是检查脚本显示它实际上在连续调用sphinx2。更糟糕的是，每个脚本的--help文档列出了大约6打选项，没有提到哪些是必需的或可选的。总的来说，sphinx文档的缺乏，以及现有文档质量的低下，让我抓狂。

接下来我又尝试了Julius，这是Ubuntu包中的一个版本，考虑到Voxforge的quickstart中使用的版本是3.5，这是一个出人意料的新版本（4.1）。这个包似乎包含了一些更好的文档，甚至是一个用Python编写的示例（/usr/share/doc/julius voxforge/examples/controlapp）。在阅读了示例的文档之后，我尝试通过创建一个文件filelist.txt来调整它，使其从文件中读取，该文件包含文本“hello.wav”，该文本引用了一个同名文件，其中包含有人说“hello”的录音。把它们放在同一个目录中，我运行：

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

得到响应：

### 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

通过指定filelist.txt和hello.wav的绝对文件名重试会产生相同的错误。

我还尝试了示例中使用的Julius调用，直接从麦克风录制：

julius -input mic -C julian.jconf

我打了好几次电话，结果不同：

Cannot read /dev/dsp

以及：

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

在后一种情况下，无论我对麦克风说什么，什么都不会发生。我无法判断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，但只是无法转录音频。

我不知道该怎么办。我犯的错误并没有给我留下太多的余地。为什么它不能读wav？为什么它不能读取/dev/dsp？为什么它看起来能够读取/dev/dsp，但没有任何反应？

有没有其他人在开源语音识别器方面取得了成功，特别是在Linux上？

Answer 1

Why can't it read a wav?

它告诉您文件的采样率（8000）错误，而不是请求的采样率（16000）。采样率是语音识别软件的重要组成部分。

Why can't it read /dev/dsp?

在Ubuntu的最新版本中，pulseaudio框架被用来代替OSS。您正在尝试的版本正在使用OSS，因此您需要从您的发行版安装OSS兼容包以恢复对OSS的支持。

你可以试试有pulseaudio支持的新的Julius

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

音频输入无法正常工作。

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

当然，请查看此视频，作为人们使用cmusphenx的示例：

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

我建议您重新访问cmusphenx包，它是一个领先的开源语音识别引擎。网站上有很多文件，你只需要看看就行了。请记住，语音识别是一个复杂的领域，在那里你可以得到很好的结果，但你也需要投入你的时间来了解技术。就像其他领域一样。

简而言之，要用cmusphenx转录文件，您需要执行以下3个简单步骤：

1. 获取wav文件并使用sox将其重新采样到8khz 16位单声道文件：

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

1. 安装Pocketshinx 0.7

   apt-get install pocketsphinx

1. 解码文件

    pocketsphinx_continuous -samprate 8000 -infile resampled.wav

结果将打印到标准输出。要抑制记录器，请将stderr重定向添加到/dev/null

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