编写自己的语音识别代码
已关闭。这个问题需要更加集中。它当前不接受答案。 想改善这个问题吗？更新问题，使其仅通过编辑此帖子来关注一个问题。 4年前关闭。 问题描述 我想将语音识别用作硬件项目的一部分，我想完全将其包含在内（我使用的是低功耗，低速的小型设备，例如Arduino和Raspberry Pi，Kinects等，而不能运行具有涉及到一个操作系统（因此是一个封闭/自包含的项目）。 语音识别可能非常复杂，具体取决于您所需的复杂程度。我有一套相对简单的要求。我只想识别自己的声音，并且有一个小词典，我想识别20个左右的单词。因此，我不需要复杂的语音到文本和语音识别库，也不需要通过互联网搜索引擎找到的任何出色的第三方软件（不乏这些！）。我认为我的要求“足够简单”（在一定程度上），我可以编写自己的解决方案。我想知道是否有人编写了这样的自己的流程，我的方法是否存在严重缺陷？有没有更好的方法可以做到这一点，而无需高水平的数学知识或不必编写复杂的算法？ 这就是我尝试在下面考虑的解决方案。 解决方案说明 我将使用C语言编写此文档，但我希望讨论语言不可知的过程，重点是其自身的过程。因此，如果可以的话，让我们忽略它。 1。我将预先录制我的单词词典，以使其与口语相匹配。我们可以想象我有20个录音，记录了20个不同的单词，或者说是短短语或两个或三个单词的句子。我相信，这比实际将音频转换为文本并比较两个字符串要容易，比较两个录音文件的过程更容易。 2。麦克风已连接到运行我的代码的硬件设备。[1]。该代码连续获取固定长度的样本（例如长度为10毫秒），并以循环记录方式存储例如10个连续的样本。[2]。（我是在脑海中发明这些数字的，因此它们只是描述过程的示例）。 [1]这很可能通过带通滤波器和运算放大器进行连接，就像进行字典录音一样，以保持较小的存储和收集的音频样本。 [2]我不确定要如何采样，我需要制定一种方法，尽管我会产生一个表示10毫秒采样音频（也许是CRC值）的数字（整数/浮点/双精度）或音频样本的MD5和等）或数字流（可能是频率的音频读数流）。最终，“样本”将是一个或多个数字。这部分将涉及更多的硬件，因此这里不作讨论。 3。该代码查看它存储的10个连续样本，并寻找增加的音量以指示正在说一个单词或短语（从沉默中休息），然后增加连续样本的收集量，例如说500个样本。这意味着它将在10毫秒的样本中捕获5秒的音频。 这些样本或“片段”在存储的声音和捕获的声音之间进行比较。如果捕获的样本中有足够高的百分比与存储的等效样本匹配，则代码将采用相同的词。 The start of a store recording of the world "hello" for example, stored words are split into 10 msec samples also Stored Sample No | 1| 2| 3| 4| 5| 6| 7| 8| Stored …