我是语音识别的新手，我正在寻找一种将音频/wav 文件形式的句子（或多个句子）拆分为单个单词的方法？这听起来像是一个标准问题，所以我想知道业内人士是如何处理它的。
ps：是的，这个问题是三年前提出的，但我正在使用更新的库（即 pytorch 和 tensorflow 2.0）寻找最新的答案。谢谢！
【问题讨论】：
标签： python tensorflow pytorch tensorflow2.0
这不是那么简单。
您想要的称为对齐。 IE。每个音频帧都与一个词（或子词、字符或更好的单个音素）对齐。
最合理的方法需要标准的传统语音识别系统。最简单的方法是使用 HMM 系统，要么由老式 GMM 支持，要么由 NN（称为混合 HMM-NN 模型）支持。这也需要一个词典（音素到单词的映射）。通常你会使用所有这些的现有实现，例如Kaldi 或 RASR，因为实现起来并不简单。我还没有看到纯 TF 实现。然后，该软件通过 HMM 计算可能的最佳对齐路径（即，根据训练的模型，它具有最高的概率）。如果你知道ground truth的话，这就是维特比算法，来计算这个最佳路径。否则你会做一些解码（使用光束搜索）。
你也可以做，但这会更老套，也不太好（对于这个获得对齐的任务）：使用一些端到端模型，例如带注意力的编码器-解码器，或 CTC。对于具有注意力的编码器-解码器，您可以使用注意力权重来很好地猜测单词在哪里（然后您可能会猜测边界在哪里）。 CTC 类似。但这并不准确。但这是你可以在纯 TF 中轻松实现的东西。
无论如何，实现本身并不是那么难的部分（尽管仍然不简单）。您首先需要了解其背后的所有理论。也许 StackOverflow 不是问这个问题的正确地方。通读 Kaldi 或 RASR 文档，或者观看一些有关语音识别的讲座，或者阅读有关该主题的书籍。
【讨论】：