音素级发音正确性微软语音

Question

我正在玩微软认知服务(使用Python )的语音评估服务。目前，我可以根据我在请求中传递的参考文本显示音素分解(以及信心分数)。我的问题是:有什么方法可以得到它的真正的音素分解吗？换句话说..。作为输出，可以得到哪些音素被检测到，而不是系统等待根据参考文本识别的音素？

这个图片显示了我目前的输出。但是，我不想得到构成单词“不能”的音素，而是想得到输出中所传递的单词的音素

            {
                "Word": "can't", 
                "AccuracyScore": 85.0, 
                "ErrorType": "None", 
                "Offset": 39900000, 
                "Duration": 6500000, 
                "Phonemes": [
                    {
                        "Duration": 1300000, 
                        "Phoneme": "k", 
                        "AccuracyScore": 89.0, 
                        "Offset": 39900000
                    }, 
                    {
                        "Duration": 800000, 
                        "Phoneme": "aa", 
                        "AccuracyScore": 86.0, 
                        "Offset": 41300000
                    }, 
                    {
                        "Duration": 1600000, 
                        "Phoneme": "n", 
                        "AccuracyScore": 74.0, 
                        "Offset": 42200000
                    }, 
                    {
                        "Duration": 2500000, 
                        "Phoneme": "t", 
                        "AccuracyScore": 89.0, 
                        "Offset": 43900000
                    }
                ]
            }, 

提前感谢

Answer 1

翻阅语音评估和样本代码的文档，我们似乎可以通过打印reference_text得到演讲者所说的话。

​

​

您还可以通过json()(pronunciation_config.to_json())来获取所有参数(包括其中的reference_text )。