Audio 在口语中分割语音音频

我有一个长文本的音频文件，有不同的部分，所有部分都以口语单词“Chapter”（由同一个演讲者叙述）开头。有没有办法在这些单词处将音频文件拆分成更小的文件

我正在考虑删掉“chapter”中出现的一个单词，将其放在一个单独的音频文件中，然后使用一些工具将原始音频与短片段进行模糊匹配，以找到“chapter”出现的地方，并在这些出现的地方拆分原始文件

---

哪种工具可以做到这一点？SOX？大胆？那是可行的。您需要两个步骤：

检测单词出现的时间

根据时间剪切音频

要检测时间，您可以使用pocketsphinx主干中的关键字定位工具，只需从subversion签出pocketsphinx并构建它。它将安装pocketsphinx_kws二进制文件用于关键字识别。然后，您可以在音频中搜索字数，该音频必须为16khz 16位MSWAV格式：

 pocketsphinx_kws -infile barnabyrudge_07_dickens.wav -kws "chapter"
 ...
 INFO: kws_search.c(229): >>>>DETECTED IN FRAME [2138]
 INFO: kws_search.c(229): >>>>DETECTED IN FRAME [2182]
 INFO: kws_search.c(229): >>>>DETECTED IN FRAME [92149]

帧速率为100帧/秒，因此您可以看到章节在21.38秒和921.49秒时被检测到（当用户说“章节结束时”）

最好使用较长的短语进行检测，短语越长检测效果越好。为了获得最佳检测效果，您可以调整阈值

---

要剪切音频，您可以使用sox，您可以使用

trim

命令删除开始，使用

trim+reverse

来剪切结束。

谢谢Nikolay。我会去查查pocketsphinx的。只是澄清一下：keyward不是作为音频片段提供的，而是作为文本字符串提供的，对吗？是的，它足以提供字符串