我正在寻找一种算法,以确定实时音频输入是否与144个给定(和舒适地不同)音素对中的一个匹配。
最好是完成这项工作的最低级别。
我正在为iPhone / iPad开发激进/实验性的音乐训练软件。
我的音乐系统包括12个辅音音素和12个元音音素,演示了here。这样就有了144个可能的音素对。学生必须唱出正确的音素对'laa duu bee‘等以响应视觉刺激。
我对此做了很多研究,看起来我最好的选择可能是使用iOS的Sphinx包装器( iPhone App › Add voice recognition?是我找到的最好的信息来源)。然而,我不知道如何适应这样的包,有使用这些技术的经验的人能给出所需步骤的基本概要吗?
用户是否有必要进行培训?完整的144将是太繁重的负担。
有没有更简单的方法?我觉得使用全功能的连续语音识别器是在用大锤敲坚果。使用能解决问题的最低限度的技术要优雅得多。
所以我真的在寻找任何能识别音素的开源软件。
另外,我需要一个解决方案,运行几乎实时。因此,即使他们在演唱音符,它也会先闪烁,以说明它拾取了所演唱的音素对,然后它会发光,以说明他们是否唱对了音调。
发布于 2011-06-30 16:59:18
如果你正在寻找一个手机级别的开源识别器,那么我会推荐HTK。该工具以HTK书籍的形式提供了非常好的文档。它还包含一个完整的章节,致力于建立一个电话级别的实时语音识别器。从你上面的问题陈述来看,在我看来,你似乎能够将这个例子重新工作到你自己的解决方案中。可能的陷阱:
发布于 2011-06-23 05:53:22
我对这种类型的信号处理有一点经验,我想说这可能不是那种可以明确回答的有限问题。
值得注意的一件事是,尽管您可能会限制您感兴趣的音素,但可能性空间保持不变(即无穷大)。用户训练可能会对算法有所帮助,但有用的训练需要相当多的时间,而且似乎你反对太多的时间。
使用Sphinx可能是解决这个问题的一个很好的开始。我自己对这个库的了解还不是很深入,但我猜您将自己使用它的源代码来获得您想要的东西。(开源万岁!)
...using用大锤子敲碎坚果。
我不会给你的问题贴上坚果的标签,我会说它更像一头野兽。它可能是与自然语言语音识别不同的野兽,但它仍然是野兽。
发布于 2011-06-30 22:12:09
不确定这是否会有帮助:查看OpenEars的LanguageModelGenerator。OpenEars使用Sphinx和其他库。
https://stackoverflow.com/questions/6387062
复制相似问题