Speech recognition 书写语音识别引擎

所以，和其他许多人一样，我决定创建自己的语音识别引擎。事实证明，这一点都不容易，尤其是对于英语来说，要做到这一点相当困难，因为一个单词的书写方式和发音方式之间存在着巨大的差异。由于来自格鲁吉亚，我决定为格鲁吉亚语编写语音识别。在格鲁吉亚语中，单词的发音和你写的完全一样。就像抄本一样。这一事实会大大减轻我的任务吗？或者还有更难的。。。困难：D？

所有来自格鲁吉亚的人听起来都完全一样吗？我想不是。。。语音识别中的许多主要问题与语言本身没有直接关系：

• 不同的人（女人、男人、孩子、老人等）有不同的声音
• 有时，同一个人听起来不一样，例如，当他感冒时
• 不同背景噪声
• 日常用语有时包含来自其他语言的单词（比如美国的德语单词Kindergarden/英语）
• 有些人不是从这个国家自己学会这种语言的（他们通常听起来不一样）
• 有些人说得快，有些人说得慢
• 麦克风的质量
  等等

解决这些问题总是相当困难的。。。除此之外，你还要注意语言/发音。。。我不知道格鲁吉亚语，但你所描述的可能会使任务变得容易一些，但这仍然是一项艰巨的任务

编辑-根据评论：

使用好的库可能会缩短时间，甚至有助于提高质量。。。但并非每个图书馆都适合语音识别，尽管可能在其他一些与音频相关的问题上很出色

参考请参阅维基百科文章-它有一个很好的概述，包括一些链接和书籍参考，这是一个很好的起点

---

至于如何设计这样一个API，请参见语音识别是一个复杂的领域，有许多特定的算法、工具和方法。要创建自己的引擎，您可以从CMUSphinx开源语音识别工具包开始，该工具包将允许您：

• 收集和处理支持格鲁吉亚语所需的数据
• 为格鲁吉亚人创建模型
• 用格鲁吉亚语实现语音识别引擎
• 使用engine创建在桌面、服务器或IPhone上运行的语音识别应用程序（通过OpenEars）

CMUSphinx已经支持英语、德语、西班牙语、法语、荷兰语、俄语、普通话、冰岛语、意大利语和许多其他语言。添加一个新的非常简单。对于新手来说，通常需要一到两个月的集中工作来实施所需的流程

要开始，请访问主页：

然后阅读教程

如果你有任何问题，请在论坛上或这里向他们提问

---

而且，当你说格鲁吉亚语时，你只会拼写发音，这是一个非常常见的误解。世界上大多数语言都不是这样。为了验证这个假设，试着在音频编辑器中记录一些音频，并检查哪些声音是真正发音的。你会感到惊讶的。上面的教程详细介绍了这个问题。

@NikaGamkrelidze我怀疑如果你从两个不同的人那里听到同一个词，你可以区分这些人（比如你的母亲、你的父亲、某个朋友等等）？@NikaGamkrelidze从头开始为一个开发人员写这篇文章（即使是一个非常好的开发人员）这将很难，从我的观点来看，第一种语言的质量需要3-5年的时间，第二种语言需要更少的时间，因为你已经解决了几个基本方面。。。一年后，你可能会有一些粗糙的东西，并为语言的一小部分工作，处理背景噪音等的能力将相当有限。@NikaGamkrelidze不，这是一般性的。。。由于大多数主要问题都不是特定于语言的。。。3-5年的时间意味着更简单的语言（格鲁吉亚语？）可能需要2.5-3年，而更难的语言（如日语/汉语…）甚至可能7年…@NikaGamkrelidze您将不得不对库进行评估，因为并非每个实现都适合每种用法，即有些可能不利于语音识别，但对于其他与音频相关的内容来说却非常出色。。。如果语言简单，你可以使用一些好的库，也许你可以用2年的时间…@NikaGamkrelidze有关概述，请参阅-它还参考了rahter关于这个主题的好书。。。还可以阅读，看看这些东西的API是如何设计的……所以你的意思是我可以在几个月内添加完全未开发的语言，比如格鲁吉亚语和“让它工作起来”？！？！是的，为什么不呢。事实上，CMUSphinx在支持资源不足的语言方面已经取得了很大的进步。如果你有兴趣，请告诉我。尼卡，你创建了这个软件吗？请分享你所做的，如果有这样的软件，我们也很感兴趣。我认为最简单的方法是使用人工智能，使用多级perceptron或类似的东西（我指的是神经网络）并训练它。。。我认为，通过这个解决方案，您可以轻松解决Yahia在回答中提到的问题，GL；）