使用 CMU Sphinx 进行数字识别

Question

尊敬的专家，

我有很多包含数字 (0 - 9) 的 mp3 文件（原始音频流采样率为 11.025 kHz）。

不同的说话者（男性/女性）说例如“一”、“七”、“三”等，它们之间有停顿（~ 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：

1. MP3 解码：如何解码我的 mp3 文件，这意味着什么采样率 我应该指定 ffmpeg 吗（因为我知道不推荐 上采样/下采样流）。我应该在解码时过滤噪声和/或频带吗？

2. 声学模型：如果我不对流进行上采样/下采样，怎么能 我找到了一个支持 11025 kHz 的声学模型。如果我做，那么最好的数字模型是什么？

3. 识别模式：我发现有两种转录模式 - 键 发现和识别。哪种模式会更好 我只有数字（还有一些噪音）

谢谢

UPD：

尼古拉，谢谢你的回答。我已经尝试过您的建议 - 它有效！

如果你不介意我想问一些额外的问题：

1. 我发现其中一种 voxforge 声学模型比 en-us-8khz 更准确。好吗？

2. 只有 45% 的文件被正确识别。其他 55% 的人有 20-90% 的错误。因此我的问题是：是否有可能估计所获得结果的置信度？例如，我可以跳过“不确定”识别的文件？

3. 如果答案 2 为“否”，您有什么建议可以提高准确性？我知道，这个问题很抽象……

提前谢谢你！

UPD2：

顺便说一下，最好的参数设置（我只是通过各种参数）是：

-remove_dc yes -remove_noise no -vad_threshold 3.4 -vad_prespeech 19 -vad_postspeech 37 -silprob 2.5

Answer 1

MP3 解码：我如何解码我的 mp3 文件，这意味着我应该为 ffmpeg 指定什么采样率（因为我知道它不推荐用于上采样/下采样流）。我应该在解码时过滤噪声和/或频带吗？

 ffmpeg -i file.mp3 -ar 8000 file.wav

声学模型：如果我不对流进行上采样/下采样，如何找到支持 11025 kHz 的声学模型。如果我这样做，数字的最佳模型是什么？

en-us-8khz 有下载，你需要像tutorial一样创建一个数字语法，然后按以下方式使用

 pocketsphinx_continuous -infile file.wav -jsgf digits.gram -hmm en-us-8khz -samprate 8000

识别模式：我发现有两种转录模式——关键点定位和识别。考虑到我只有数字（和一些噪音），哪种模式会更好

识别方式