如何从pocketsphinx获取语音幅度

Question

当有人说话时，我正在使用 pocketsphinx 来识别 android 应用程序中的单词。我想实现功能以返回pocketsphinx记录的声音的最大幅度。如果我说任何单词，我需要得到一个声音级别作为回报（无论是从解码器识别还是不识别单词）。 我做了什么：我查看了pocketsphinx的代码-->源文件中当前注释的SpeechRecognizer：

 /*              while (!interrupted()
                && ((timeoutSamples == NO_TIMEOUT) || (remainingSamples > 0))) {
            int nread = recorder.read(buffer, 0, buffer.length);

            if (-1 == nread) {
                throw new RuntimeException("error reading audio buffer");
            } else if (nread > 0) {
                decoder.processRaw(buffer, nread, false, false);

                int max = 0;
                for (int i = 0; i < nread; i++) {
                    max = Math.max(max, Math.abs(buffer[i]));
                }....

我似乎是从缓冲区计算这个最大值我如何从完整的记录中计算出来。有人可以给我提示吗？

Answer 1

就是这样，只需将 max 设置为 SpeechRecognizer 类的字段，不要每次都初始化它，而只是在开始识别时：

class SpeechRecognizer() {

     double maxLevel;

     void startRecognition() {
         maxLevel = 0.0;
     }

     ....         
        @Override
        public void run() {
                decoder.processRaw(buffer, nread, false, false);

                double level = 0;
                for (int i = 0; i < nread; i++) {
                    level += buffer[i] * buffer[i];
                }
                level = sqrt(level / nread);
                if (maxLevel < level)
                    maxLevel = level
      ....

}

在这里，我建议您使用均方根 (RMS) 而不是简单的最大值，因为它是对最大幅度的更稳定估计，它可以抵抗简单的振幅突发，例如点击。

从每个缓冲区返回带有结果的 RMS 并在应用程序内部而不是在识别器内部更新 maxLevel 也是一个好主意。