使用Swift分析录制的音频文件以进行语音转文本

Question

我可以使用Swift for iOS录制音频，并播放录制的音频文件。我想问的是，是否可以检查录制的音频文件的背景噪声&音量/分贝，这样我就可以确定它对于我的speech to text框架是否足够好。框架不是问题所在，我研究了所有可用的框架。

我很好奇是否可以使用AVFoundation或Accelerate框架或任何其他框架分析录制的音频文件，以检查音频文件是否足够好/足够清晰，可以使用speech to text框架进行处理。

我没有太多的音频知识，但我研究了一下，发现我可以在录音时获得峰值和平均分贝值，但背景噪音呢？

任何信息都有助于使用Swift分析录制的音频文件。

Answer 1

信噪比估计是一个发展很好的领域。您需要实现一个语音活动检测器，它将从语音中分离出噪声，然后分别计算噪声能量和信号能量，然后计算比率。虽然这稍微超出了简单的数学，但你需要理解统计学来实现一个合理的算法，比如here实现的Wada SNR算法。

你无法在Swift中找到它的实现，这样的软件通常是用C或Matlab实现的，你必须移植实现。

与语音识别相比，噪声估计是一个小问题，它涉及更高级的算法。考虑一下Swift中现有的语音识别包，如TLsphinx或OpenEars，可能会更好。