Android 폰에 녹음 된 음성 데이터에 Sphinx4를 적용하십시오.

Question

이상하게 들립니다. 하지만, 안드로이드 폰에 기록 된 바이트 데이터를 스핑크스 4로 분석하고 싶습니다. 그리고, 좋은 결과가 없습니다. 이것이 내 구성 문제에서 비롯 될 것이라는 것을 알고 있습니다. Sphinx4에 대한 경험이 있다면 &과 같은 경험을 갖고 싶습니다.

내 환경을 설명 싶습니다

1. 전화 (안드로이드, Nexsus 하나)

   • 샘플링 속도 = 8000
   • AudioFormat을 = AudioFormat.ENCODING_PCM_16BIT
   • channelConfig = AudioFormat을. CHANNEL_IN_MONO
streamDataSource를 사용하여3210

2. Sphinx4

   • sampleRate = 16000
   • bigEndianData = 거짓
   • 는

은 그래서, 음성 데이터 (바이트 []) 다음에 의해이를 분석 recorde 스핑크스 4. 다음은 휴대 전화로 녹음 한 음성 예입니다 (1 2 3).

-29:-1:84:0:-77:0:-88:0:-88:0:-99:0:-105:0:-82:0:-88:0:-99:0:101:0:89:0:118:0:95:0:44:0:22:0:28:0:39:0:56:0:50:0:28:0:22:0:-6:-1:-17:-1:-6:-1:-34:-1:-34:-1:-85:-1:-85:-1:-79:-1:115:-1:126:-1:-113:-1:-85:-1:-102:-1:104:-1:115:-1:121:-1:-102:-1:-113:-1:-96:-1:-57:-1:-96:-1:109:-1:104:-1:-79:-1:16:0:101:0:-105:0:-122:0:-122:0:-99:0:67:0:101:0:78:0:-6:-1:11:0:-6:-1:39:0:50:0:56:0:22:0:0:0:101:0:123:0:33:0:118:0:56:0:-40:-1:84:0:-85:-1:87:-1:76:-1:-54:-2:31:-1:31:-1:70:-1:0:0:-17:-1:-68:-1:56:0:50:0:-102:-1:-12:-1:-113:-1:-124:-1:-6:-1:11:0:106:0:101:0:50:0:-124:-1:104:-1:-102:-1:126:-1:81:-1:76:-1:-34:-1:-6:-1:44:0:-105:0:-110:0:78:0:67:0:-68:-1:-45:-1:33:0:-74:-1:-57:-1:-57:-1:33:0:28:0:39:0:-45:-1:5:0:25:1:123:0:-62:-1:-110:0:118:0:73:0:-93:0:73:0:16:0:-40:-1:-119:-1:-68:-1:101:0:61:0:-12:-1:-88:0:70:1:-48:0:-65:0:25:1:56:0:-34:-1:0:0:28:0:106:0:-127:0:-77:0:123:0:-68:-1:-29:-1:61:0:-12:-1:5:0:22:0:-79:-1:-96:-1:-102:-1:31:-1:70:-1:-96:-1:-79:-1:-107:-1:-96:-1:-51:-1:-107:-1:121:-1:-96:-1:-96:-1:104:-1:109:-1:81:-1:-79:-1:33:0:28:0:22:0:39:0:44:0:73:0:67:0:118:0:95:0:-17:-1:-17:-1:-113:-1:-57:-1:-107:-1:31:-1:98:-1:-124:-1:-29:-1:-57:-1:-79:-1:-45:-1:-62:-1:-12:-1:-85:-1:-34:-1:33:0:-51:-1:-102:-1:109:-1:-85:-1:109:-1:25:-1:115:-1:92:-1:109:-1:87:-1:25:-1:121:-1:-85:-1:92:-1:-85:-1:0:0:-6:-1:-29:-1:-119:-1:-62:-1:22:0:95:0:84:0:33:0:-122:0:-93:0:-99:0:-122:0:11:0:-40:-1:-51:-1:-79:-1:-12:-1:-23:-1:-45:-1:-34:-1:-12:-1:-34:-1:-23:-1:22:0:16:0:56:0:67:0:-34:-1:-102:-1:-113:-1:-107:-1:121:-1:-102:-1:11:0:39:0:28:0:11:0:89:0:95:0:123:0:-105:0:28:0:16:0:-45:-1:-85:-1:-6:-1:44:0 

각 바이트 데이터는 ":"로 구분됩니다.

Answer 1

안드로이드에서 8000으로 녹음하는 경우, sphinx4 샘플 속도도 8000Hz 여야합니다. 또한 sphinx4 배포 또는 기타 8kHz의 모델에서 8kHz의 모델을 사용할 필요가 당신은

제대로 구성 8kHz의 입력의 예를 들어

Using Sphinxtrain models in sphinx4

이 sphinx4/test/performance/wsj_8khz/config.xml를 참조 설명서에 따라 (등등 상위 주파수) 필터 뱅크 매개 변수를 설정 하다며 필요

또는 적절한 AudioRecorder 매개 변수를 설정하여 Android에서 16000 Hz로 녹음하십시오. 이는 디코딩의 정확성을 향상시킵니다.