Python 实时语音识别

我有一个Python脚本，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。有没有其他方法来编写这个脚本来返回每个单词的发音？我有另一个脚本来实现这一点，使用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-延迟语音转换为文本：

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))

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)

脚本2-即时但不准确的语音到文本：

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))

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)

---

如果您碰巧有一个支持CUDA的GPU，那么您可以尝试Mozilla的DeepSpeech GPU库。他们也有一个CPU版本的情况下，你没有一个CUDA启用的GPU。 CPU使用DeepSpeech以1.3倍的时间转录音频文件，而在GPU上，速度为0.3倍，即它以0.33秒的时间转录1秒音频文件。 快速启动：

# 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

---

一些重要提示-Deepspeech gpu有一些依赖项，如tensorflow、CUDA、，cuDNN等。请查看他们的github repo以了解更多详细信息-

很可能您在raspberry pi之类的设备上运行此功能，但其功能不足以使用大型字典运行大词汇量连续语音识别。如果您先听1s，然后打印单词，可能会有一些损失，但每个单词都会返回，这行得通吗？你确定两个系统都使用相同的语言模型吗？那些与硬件无关的东西呢？@Damian TeodorBeleș你能详细说明一下吗？我不知道你在问什么。如果这不成立怎么办：“如果你碰巧有一个支持CUDA的GPU，那么你可以试试Mozilla的DeepSpeech。”？DeepSpeech也可以在CPU上运行。只是在GPU上进行推理比CPU更快。除此之外，一切都一样。好的，我明白了，谢谢，但是“音频文件”中的“现场”部分是什么？