实时语音识别

Question

我有一个Python脚本，它使用speech_recognition包来识别语音并返回所说内容的文本。然而，转录有几秒钟的延迟。有没有另一种方法来编写这个脚本，以便在说出每个单词时都返回它？我有另一个脚本可以做到这一点，使用的是pysphinx包，但是结果非常不准确。

安装依赖项：

pip install SpeechRecognition
pip install pocketsphinx

脚本1-延迟语音转文本：

import speech_recognition as sr  

# obtain audio from the microphone  
r = sr.Recognizer()  
with sr.Microphone() as source:  
    print("Please wait. Calibrating microphone...")  
    # listen for 5 seconds and create the ambient noise energy level  
    r.adjust_for_ambient_noise(source, duration=5)  
    print("Say something!")  
    audio = r.listen(source)  

    # recognize speech using Sphinx  
    try:  
        print("Sphinx thinks you said '" + r.recognize_sphinx(audio) + "'")  
    except sr.UnknownValueError:  
        print("Sphinx could not understand audio")  
    except sr.RequestError as e:  
        print("Sphinx error; {0}".format(e))

脚本2-即时语音到文本，尽管不准确：

import os
from pocketsphinx import LiveSpeech, get_model_path

model_path = get_model_path()
speech = LiveSpeech(
    verbose=False,
    sampling_rate=16000,
    buffer_size=2048,
    no_search=False,
    full_utt=False,
    hmm=os.path.join(model_path, 'en-us'),
    lm=os.path.join(model_path, 'en-us.lm.bin'),
    dic=os.path.join(model_path, 'cmudict-en-us.dict')
)
for phrase in speech:
    print(phrase)

Answer 1

如果你碰巧有一台支持CUDA的图形处理器，那么你可以试试Mozilla的DeepSpeech图形处理器库。他们也有一个CPU版本，以防你没有支持CUDA的GPU。中央处理器转录一个音频文件使用DeepSpeech在1.3倍的时间，而在图形处理器上，速度是0.3倍，即它转录一个1秒的音频文件在0.33秒。快速入门：

# Create and activate a virtualenv
virtualenv -p python3 $HOME/tmp/deepspeech-gpu-venv/
source $HOME/tmp/deepspeech-gpu-venv/bin/activate

# Install DeepSpeech CUDA enabled package
pip3 install deepspeech-gpu

# Transcribe an audio file.
deepspeech --model deepspeech-0.6.1-models/output_graph.pbmm --lm deepspeech- 
0.6.1-models/lm.binary --trie deepspeech-0.6.1-models/trie --audio audio/2830- 
3980-0043.wav

一些重要的注意事项-深度演讲-gpu有一些依赖，如tensorflow，CUDA，cuDNN等，所以请查看他们的github repo以了解更多详细信息-https://github.com/mozilla/DeepSpeech