CMU Sphinx 数字识别
Digits recognition with CMU Sphinx
识别专家您好，
我有很多包含数字 (0 - 9) 的 mp3 文件（原始音频流采样率为 11.025 kHz）。
不同的说话者 (male/female) 例如说 "One"、"Seven"、"Three" 等，中间有停顿（~ 2 - 2.5 秒）
我打算使用 CMU Sphinx 来识别语音（桌面应用程序）。所以我有一些问题：
MP3 解码: 我如何解码我的 mp3 文件意味着什么采样率
我应该指定给 ffmpeg（据我所知，不推荐它
upsample/downsample 流）。我应该在解码时过滤噪声 and/or 频段吗？
声学模型：如果我不upsample/downsample流，怎么能
我找到一个支持 11025 kHz 的声学模型。如果我做，最好的数字模型是什么？
识别模式: 我发现转录有两种模式 - Key
发现和识别。考虑哪种模式会更好
帐户我只有数字（和一些噪音）
谢谢
UPD:
尼古拉，谢谢你的回答。我已经尝试了您的建议 - 有效！
如果您不介意，我想再问一些问题：
我发现其中一个 voxforge 声学模型比 en-us-8khz 更准确。可以吗？
只有 45% 的文件被识别正确。其他 55% 有 20-90% 的错误。因此我的问题是：是否有可能估计所获得结果的置信度？例如，我可以跳过 "not surely" recognized?
如果答案 2 是 "no"，您有什么建议可以提高准确性？我知道，这个问题很抽象...
提前致谢！
UPD2:
顺便说一句，最好的参数设置（我刚刚遍历了各种参数）是：
-remove_dc yes -remove_noise no -vad_threshold 3.4 -vad_prespeech 19 -vad_postspeech 37 -silprob 2.5
MP3 decoding: How do I decode my mp3 files meaning what samplerate should I specify to ffmpeg (as I know it's not recomended to upsample/downsample streams). Should I filter noises and/or frequency bands while decoding?
ffmpeg -i file.mp3 -ar 8000 file.wav
Acoustic models: If I don't upsample/downsample the stream, how can I find an acoustic model supporting 11025 kHz. If I do, what is the best model for digits?
en-us-8khz 可以下载，你需要像tutorial那样创建一个数字语法，然后按照下面的方式使用它
pocketsphinx_continuous -infile file.wav -jsgf digits.gram -hmm en-us-8khz -samprate 8000
Recognition mode: I found there are two modes for transcribing - Key spotting and Recognition. Whichmode would be better taking into account I have only digits (and some noise)
识别模式
识别专家您好，
我有很多包含数字 (0 - 9) 的 mp3 文件（原始音频流采样率为 11.025 kHz）。
不同的说话者 (male/female) 例如说 "One"、"Seven"、"Three" 等，中间有停顿（~ 2 - 2.5 秒）
我打算使用 CMU Sphinx 来识别语音（桌面应用程序）。所以我有一些问题：
MP3 解码: 我如何解码我的 mp3 文件意味着什么采样率 我应该指定给 ffmpeg（据我所知，不推荐它 upsample/downsample 流）。我应该在解码时过滤噪声 and/or 频段吗？
声学模型：如果我不upsample/downsample流，怎么能 我找到一个支持 11025 kHz 的声学模型。如果我做，最好的数字模型是什么？
识别模式: 我发现转录有两种模式 - Key 发现和识别。考虑哪种模式会更好 帐户我只有数字（和一些噪音）
谢谢
UPD:
尼古拉，谢谢你的回答。我已经尝试了您的建议 - 有效！
如果您不介意，我想再问一些问题：
我发现其中一个 voxforge 声学模型比 en-us-8khz 更准确。可以吗？
只有 45% 的文件被识别正确。其他 55% 有 20-90% 的错误。因此我的问题是：是否有可能估计所获得结果的置信度？例如，我可以跳过 "not surely" recognized?
的文件
如果答案 2 是 "no"，您有什么建议可以提高准确性？我知道，这个问题很抽象...
提前致谢！
UPD2:
顺便说一句，最好的参数设置（我刚刚遍历了各种参数）是：
-remove_dc yes -remove_noise no -vad_threshold 3.4 -vad_prespeech 19 -vad_postspeech 37 -silprob 2.5
MP3 decoding: How do I decode my mp3 files meaning what samplerate should I specify to ffmpeg (as I know it's not recomended to upsample/downsample streams). Should I filter noises and/or frequency bands while decoding?
ffmpeg -i file.mp3 -ar 8000 file.wav
Acoustic models: If I don't upsample/downsample the stream, how can I find an acoustic model supporting 11025 kHz. If I do, what is the best model for digits?
en-us-8khz 可以下载，你需要像tutorial那样创建一个数字语法，然后按照下面的方式使用它
pocketsphinx_continuous -infile file.wav -jsgf digits.gram -hmm en-us-8khz -samprate 8000
Recognition mode: I found there are two modes for transcribing - Key spotting and Recognition. Whichmode would be better taking into account I have only digits (and some noise)
识别模式