机器学习库从嘈杂的音频文件中识别单词[关闭]

Question

我们一直在尝试从嘈杂的音频文件中识别单词，我搜索了很多，使用了一堆 API 将单词从嘈杂中分割出来，还尝试了 SOX，它有点准确（80% 的单词被正确分割)，现在我需要识别这些单词，我尝试过从 Java 调用它的 google Speech api，但由于一些剩余的噪音，它并不像我希望的那样准确。

我们一直在尝试音频比较，因为我们有一个带有字典中单词的波形文件列表，比较是通过 MusicG 库完成的，但它没有按预期工作。

最近我一直在考虑一些机器学习算法，我可以在其中教程序，例如音频“Dog”是字符串“dog”，然后重复它直到程序自动识别它。

是否有任何好的/已知的库可以处理音频文件？ 如果是这样，最好的教学方法是什么？音频文件的字节数？波长？

另外，如果您知道其他方法可以达到我的预期，请告诉我。

Answer 1

您可以考虑结合使用一组音频文件进行训练来研究隐马尔可夫模型。 HMM 方法对符号之间的转换概率进行建模。您可以调整决策过程中“记住”的状态数量。

作为分析的一部分，您需要考虑时间扭曲方面 - 即，在训练和匹配的音频之间，符号内暂停会有所不同。

@Evan Knowles 补充说，MFCC 是从语音创建 HMM-ready 符号的标准方法。