簡單的語音識別方法

Question

是的，我知道語音識別相當複雜（作爲輕描淡寫）。我正在尋找的是一種區分也許 20-30短語的方法。能夠分開單詞（離散語音很好）會很好，但不是必需的。該軟件將取決於用戶（即供我使用）。我不是在尋找現有的軟件，而是爲了自己去做這件事的好方法。我已經研究了各種現有的方法，它似乎將聲音分解爲音素，而常見的方法對於我的需求有點過分。

對於某些情況下，我只是想用一些簡單的語音命令來控制我的電腦的某些方面。我知道Windows已經有語音識別軟件，但我想自己作爲一個學習練習去做這個。命令將很簡單，如「打開Goog​​le」或「靜音」。我想到的（不知道這是否是一個好主意）是有些命令會複合。所以「靜音」只是「靜音」。而「打開」命令可以單獨識別，然後有後綴（Google，Photoshop等）。與另一個網絡/模型/任何認可。但我不確定以這種方式尋找前綴/分詞符會產生比不必處理更多個別命令更好的結果。

我一直在研究sensptrons，hopfield網絡（雖然它們有點過時於我所理解的）和HMM，而當我理解這些背後的想法（我之前實施了ANN）時，我沒有真的知道哪一個最適合這個任務。我假設線性矢量量化模型也是合適的，但我無法真正找到很多文獻來達到這個目的。任何指導/資源將不勝感激。

Answer 1

前段時間，我讀了一篇關於有限詞彙系統的白皮書，該系統使用了簡單的識別過程。該系統將每個話語分爲少量話筒（如果我沒有記錯的話，總共24個話筒，時間上是6個，量級上是4個），它所做的只是計算每個話筒音頻測量的樣本數量。有一個模糊邏輯規則庫，然後解釋每個話語的24個計數，併產生一個解釋。

我想（對於某些應用程序）一個簡單的匹配過程也可能工作得很好，其中當前話語的24個bin計數與每個存儲的原型的簡單計數相匹配，並且最少的那個總體差異是贏家。

Answer 2

有語音識別一些開源項目：

1. HTK（隱馬爾可夫模型工具包）
2. 獅身人面像

兩個有解碼器，培訓，語言模型工具包。 Eveything建立一個完整和強大的語音識別器。 Voxforge爲開源語音識別工具包提供聲學和語言模型。