在语音识别过程中获得替代建议

Question

我想用离线语音来识别文本，主要是德语。

特别是，我想使用Mozilla DeepSpeech (百度的DeepSpeech架构的TensorFlow实现)，但我担心音频输入的音频质量不足以产生低错误率(单词错误率)。

(英文)例子：

发言人说“知道”，但引擎可能已经理解"flow"或显示“或"go"或”know“E 211。

我想把[flow, show, go, know]从引擎中拿回来，这样之后我可以手动决定哪种建议最适合。我怎么能拿到这个？

其他对文本引擎的演讲提供了这种可能性吗？

Answer 1

DeepSpeech已经更新了释出。为了获得更好的推断结果，您需要遵循他们的指示和建议，例如输入音频文件应该位于16000 Hz、单通道和16位。音频重采样可能会影响推理的质量，请记住这一点。我个人使用SoX进行重采样，但还有其他选项，取样。同时，对于他们的论坛也有很多好的建议。

有一个叫做https://pypi.org/project/SpeechRecognition/的Python库。他们有一些离线模型和在线API服务，用于语音到文本。

Answer 2

您可以使用.NET语音识别：https://learn.microsoft.com/en-us/dotnet/api/system.speech.recognition?view=netframework-4.8。

只需注意，.NET语音识别只有在设置语音识别语法(围绕他们可以说的规则)时才能正常工作。

查看RecognitionResult对象的替代项或同音属性。