JavaScript音频分析语音
我能够使用JavaScript中的AudioContext API分析音频数据，并将波形绘制到画布上 问题是，在加载音频数据后，我有大约1024个长UINT8数组数据点，表示波长（每帧），我如何猜测这会发出什么声音（从提到的语音中选择，即： Ⓐ 丽莎A 闭着嘴听“p”、“B”和“M”的声音。这与Ⓧ 形状，但嘴唇之间的压力非常小 Ⓑ 丽莎B 嘴巴微微张开，牙齿紧咬。这种口型用于大多数辅音（“K”、“S”、“T”等）。它也用于某些元音，如bee中的“EE”音 Ⓒ 丽莎C 张口。这种口型用于元音，如“EH”在男性中表示“EH”，以及“AE”在蝙蝠中表示“AE”。根据上下文，它也用于某些辅音 当从中设置动画时，此形状也用作中间位置Ⓐ 或Ⓑ 到Ⓓ. 因此，请确保动画ⒶⒸⒹ 及ⒷⒸⒹ 看起来很顺利 Ⓓ 丽莎·D 张大的嘴。这种嘴的形状是用来表示元音的，像“AA”在“父亲”中一样 Ⓔ 丽莎E 略带圆形的嘴。这种嘴形状用于元音，如off中的“AO”和bird中的“ER” 当从中设置动画时，此形状也用作中间位置Ⓒ 或Ⓓ 到Ⓕ. 确保嘴巴的张开度不比你的大Ⓒ. 二者都ⒸⒺⒻ 及ⒹⒺⒻ 应该会产生平滑的动画 Ⓕ 丽莎F 皱起的嘴唇。这种口型在你身上用来表示“UW”，在show中用来表示“OW”，在way中用来表示“W” Ⓖ 丽莎G 上齿接触下唇的“F”和“V”分别为“F”和“V” 此扩展嘴形状是可选的。如果您的艺术风格足够详细，它将大大改善动画的整体外观。如果您决定不使用它，可以使用extendedShapes选项指定 Ⓗ 丽莎·H 这种形状用于长的“L”音，舌头在上齿后面凸起。嘴巴至少应该像在牙齿中一样张开Ⓒ, 但还没有到现在为止Ⓓ. 此延伸嘴形状是可选的。根据您的艺术风格和头部角度，舌头可能根本看不见。在这种情况下，绘制此额外形状没有意义。如果您决定不使用它，可以使用延伸形状选项指定 Ⓧ 丽莎X 空闲位置。此嘴形状用于讲话暂停。这应该与角色在不说话的情况下四处走动时使用的嘴图相同。它与Ⓐ, 但是嘴唇之间的压力要小一些Ⓧ, 嘴唇应该紧闭但放松 这个延伸的嘴形状是可选的。休息位置之间是否应该有任何可见的差异Ⓧ 闭着嘴说话Ⓐ 取决于您的艺术风格和个人品味。如果您决定不使用它，可以使用extendedShapes选项指定 )? 我知道有很多机器学习选项，比如和，但是我想要一个算法来实时检测上述语音。它不一定要100%准确，只是比随机选取嘴的某些值稍微好一点。。。在这一点上，任何比随机更好的方法都可以 我知道音频识别可以用来完成，这是在中使用的，但我要寻找的是一个非常简单的算法，给定1024个每帧波长的数据数组，如何获取语音，同样，它不必100%准确，但必须是实时的，并且比随机的要好 基本上，pocketsphinx的问题在于它的目的是实现语音到单词的识别，因此它有很多额外的代码，用于将声音转换为它在字典中编译的确切单词，但我不需要只提取声音本身，而不将其转换为某些字典，所以理论上不应该有那么多的偷听 我只想要一个简单的算法，可以从AudioContext中获取已经获取的数据，相对地猜测上面列表中的声音是什么 再次强调，要非常清楚：JavaScript音频分析语音,javascript,c++,math,audio,audiocontext,Javascript,C++,Math,Audio,Audiocontext,我能够使用JavaScript中的AudioContext API分析音频数据，并将波形绘制到画布上 问题是，在加载音频数据后，我有大约1024个长UINT8数组数据点，表示波长（每帧），我如何猜测这会发出什么声音（从提到的语音中选择，即： Ⓐ 丽莎A 闭着嘴听“p”、“B”和“M”的声音。这与Ⓧ 形状，但嘴唇之间的压力非常小 Ⓑ 丽莎B 嘴巴微微张开，牙齿紧咬。这种口型用于大多数辅音（“K”、“S”、“T”等）。它也用于某些元音，如bee中的“EE”音 Ⓒ 丽莎C 张口。这种口型用于元音，如“
我不是在寻找PocketSphinx解决方案，也不是任何其他“随时可用”的库，我想要的只是上面提到的每种独特声音的数学公式，可以适用于任何编程语言如果您不想要tensorflow答案，我不确定为什么要将其标记为
tensorflow他们说他们在C++中实现了算法，但不幸的是没有包含代码。 总之，我建议你坚持使用Pocketsphenx，除非这是你自己博士研究的一部分
更新： 根据要求在此处添加更多详细信息。Pocketsphinx解释说，如果你一直滚动到他们文章的第8部分，他们使用一个名为的机器学习平台，这个平台也有法语和中文版本。但是在Sphinxtrain页面的顶部，有一个链接指向他们的“新库”，名为 Vosk支持9种语言，并且足够小，可以容纳