Speech recognition 用CMU Sphinx进行数字识别

各位专家

我有很多包含数字（0-9）的mp3文件（原始音频流采样器为11.025 kHz）

不同的说话者（男性/女性）说例如“一”、“七”、“三”等，中间有停顿（~2-2.5秒）

我将使用CMU Sphinx来识别语音（桌面应用程序）。所以我有一些问题：

MP3解码：如何解码我的MP3文件意味着什么 我是否应该指定为ffmpeg（据我所知，不建议指定为ffmpeg） 上采样/下采样流）。解码时是否应过滤噪音和/或频带

声学模型：如果我不对流进行上采样/下采样，怎么能 我发现一个声学模型支持11025千赫。如果我这样做，什么是最好的数字模型

识别模式：我发现转录有两种模式-键 发现和识别。哪种模式更适合考虑 帐户I只有数字（和一些噪音）

谢谢

UPD:

尼古拉，谢谢你的回答。我已经试过你的建议了——它奏效了

如果你不介意的话，我想问一些额外的问题：

我发现其中一个voxforge声学模型比en-us-8khz更精确。可以吗

只有45%的文件被正确识别。其他55%的人有20-90%的错误。因此，我的问题是：是否有可能估计所得结果的置信度？例如，我可以跳过“不确定”识别的文件

如果答案2为“否”，您可以提出什么建议来提高准确性？我知道，这个问题很抽象

提前谢谢你

UPD2:

顺便说一句，最好的参数集（我刚刚浏览了各种参数）是：

MP3解码：我如何解码我的MP3文件，这意味着我应该为ffmpeg指定什么样的采样器（正如我所知，不建议向上采样/向下采样流）。解码时是否应过滤噪音和/或频带

声学模型：如果我不对流进行上采样/下采样，如何找到支持11025 kHz的声学模型。如果我这样做，什么是最好的数字模型

下载中提供了en-us-8khz，您需要创建一个数字语法，如中所示，然后按以下方式使用它

 pocketsphinx_continuous -infile file.wav -jsgf digits.gram -hmm en-us-8khz -samprate 8000

识别模式：我发现转录有两种模式——按键识别和识别。考虑到我只有数字（还有一些噪音），哪个模式更好

---

识别模式

谢谢你，Nokilay。我的幸运组合是：

pocketsphinx_continuous-infle file.wav-jsgf digits.gram-hmm-voxforge_model-samprate 8000-remove_dc yes-remove_noise no-vad_threshold 3.4-vad_prespeech 19-vad_postspeech 37-silprob 2.5

CMU Sphinx常见问题解答：从mp3解码的音频文件中的零静音区域会破坏解码器。可以使用抖动引入小的随机噪声来解决此问题。你的意思是它会影响结果吗？不，voxforge模型的精度肯定要低得多。您的附加参数也是错误的，您不应该禁用噪声消除。要分析较差的精度，您需要提供少量的测试样本。我建议您在cmusphinx论坛上讨论这个问题，它并不真正适合stackoverflow格式。对于感兴趣的人，请继续：

 ffmpeg -i file.mp3 -ar 8000 file.wav

 pocketsphinx_continuous -infile file.wav -jsgf digits.gram -hmm en-us-8khz -samprate 8000