Jak rozszyfrować wprowadzanie mowy

Question

Co chcę zrobić, to stworzyć interfejs API, który tłumaczy ludzką mowę na format IPA (International Phonetic Alphabet). Moje pytanie brzmi: gdzie są zasoby na temat dekodowania mowy na poziomie oryginalnego przebiegu audio. Szukałem API, ale większość tego, co znalazłem, tłumaczy wprost do alfabetu łacińskiego. Chciałbym stworzyć coś nieco dokładniejszego w zakresie rozróżniania fonetyki wokalnej.

Answer 1

Chciałbym zacząć od stwierdzenia, że ​​ten projekt jest znacznie trudniejszy i bardziej skomplikowany, niż ci się wydaje. Mowa na przetwarzanie tekstu to bardzo duże i skomplikowane pole z ogromną ilością badań, które zostały w nim wykonane. Powodem, dla którego większość parserów wysyła rzeczy prosto do znaków rzymskich, jest to, że większość ich przetwarzania jest probabilistycznym dopasowaniem niewyraźnych dźwięków z ich kontekstem innych niejasnych dźwięków, aby odgadnąć, które słowa mają sens. Bardziej prawdopodobne jest, że znajdziesz coś, co da ci Soundex, a nie IPA. Powiedział, że jest to problem, na który zwrócono uwagę na kilku frontach. Twój najlepszy zakład to prawdopodobnie projekt Sphinx z CMU.

http://cmusphinx.sourceforge.net/wiki/start 

To daje dobry start, ale trzeba zrobić założenie, że mowy na tekst przetwarzanie jest dużo bardziej rozwinięta niż jest w rzeczywistości, a nie istnieje prosty sposób tłumaczenia mowy IPA poprzez przebiegu z wszelka dokładność. Sphinx jest bardzo modularnym i całkowicie otwartym źródłem, więc dałoby ci ogromną ilość energii na wyciągnięcie ręki, i od tego momentu, czy możesz dowiedzieć się, jak sprawić, żeby to działało, zależy od ciebie, ale znowu. W żaden sposób nie rozwiązuje to problemu.