CMU SPHINX介绍

 对于CMU Sphinx-4进行相关简单的介绍，并对其中的一些功能和使用进行相关说明。

Introduction：

CMU Sphinx:

      由卡内基梅隆大学制作的用于语音识别的开源工具箱。

CMU Sphinx-4：

      Sphinx-4是完全用Java语言写的先进的语音识别系统。它是通过卡内基梅隆大学Sphinx组，Sun微系统实验室、三菱电器研究实验室、惠普等联合完成的，同时美国加州大学圣克鲁斯分校和麻省理工学院也对其有贡献。

Capabilities：

1.实时模式以及批处理模式下的语音识别，能够识别离散和连续的语音。

2.通用可插拔的前端结构。包括实现预加重、汉明窗、FFT、Mel频率滤波器、离散余弦变换、倒谱均值归一化、倒谱的特征值提取，增量倒谱，双增量倒谱特征。

3.通用可插拔的语言模型结构。包括可插拔语言模型支持单元组、二元组、三元组、Java Speech API语法格式以及ARPA-格式FST文法的ASCII和二进制版本。

4.通用的声学模型结构。包括可插拔的支持Sphinx-3声学模型。

5.通用的搜索管理。包括可插拔的支持广度优先和字修剪搜索。

6.一些对于处理后的识别结果，包括获得的可信度分数，生成的格子以及嵌入到JSGF标签中的ECMAScript

7.独立的工具。包括用于显示波形图和频谱图，从音频中产生特征。

Performance：

      Sphinx-4是一个复杂的系统，能够执行许多不同类型的识别任务。因此，很难用Sphinx-4对于一些简单数字的识别精度和速度来衡量性能。取而代之，通常会做一些在Sphinx-4上的回归测试来决定如何在多种多样的任务下执行。这些任务和最后的结果如下（每个任务的难度依次递增）：

·孤立数字（TI46）：用事先录制好的测试数据来运行Sphinx-4，收集在一时间识别一个字的性能。 这个词汇表仅仅是从0-9的孤立话语，只包含一个数字以及一个单一的话语。
·连续数字（TIDIGITS）：扩展单个字来识别同一时间的更多的字（如，连续话语）。词汇仅仅是从0到9的数字话语，用一个单一的话语包含的数字序列。
·小词汇集（AN4）：扩展词汇到大约100个词，从说话词汇的输入数据范围来讲，就如同一个字母一个字母的把单词拼出来。
·中等词汇集（RM1）：扩展词汇到大约1000次。
·中等词汇集（WSJ5K）:扩展词汇到大约5000次。
·中等词汇集（WSJ20K）:扩展词汇到大约20000次。
·大词汇集（HUB4）:扩展词汇集到大约64000次。

下面的图表是Sphinx 3.3与Sphinx 4的性能对比：

其中HUB4测试的性能是不完全的。
key:
· WER - word error rate (%) (lower is better)
· RT - Real Time - Ratio of processing time to audio time - (lower is better )
· S3.3 RT -  Results for a single or dual CPU configuration
· S4 RT(1) - Results on a single - CPU configuration
· S4 RT(2) - Results for a dual - CPU configuration

Downloading Sphinx-4：

Sphinx- 4 有两个可用的包： 
· Sphinx4-{version}-bin.zip:提供jar包文件，文档和实例。 
· Sphinx4-{version}-src.zip:提供源、文档、实例，单元测试和回归测试。

 

Demos：

简单例子： 
Hello World Demo: 识别简单的短语 
Hello N-Gram Demo: 运用N元语言模型来进行识别 
语音文件转录的例子： 
Transcriber Demo: 一个简单的例子来展示如何转录有多个离散词语的连续语音文件 
Confidence Demo: 展示如何获得结果的可信度 
Lattice Demo: 展示如何从识别结果中提取点阵 
Class-Based Language model Demo: 展示一个基于分类的语言模型 
Aligner Tags Demo: 对齐音频文件来转录并且获得字的时间。可用于隐藏式字幕。 
一些先进的对话系统例子： 
ZipCity Demo: 一个Java应用，通过识别字串儿来定位城市的位置 
JSGF Demo: 展示程序如何在复杂的JSGF语法中交换 
Dialog Demo: 展示程序如何在复杂的JSGF语法和听写语法中交换 
Action Tags Demo: 展示如何使用动作标签来后处理从JSGF中得到的RuleParse对象

 

Sphinx-4 Frequently Asked Questions：

General：
Who created Sphinx-4?
I have a question about Sphinx-4. How can I get it answered?
How can I contact the Sphinx-4 team?
Which Sphinx-4 distribution should I use?

Sphinx-4：
I want to add speech recognition to my application. Where do I start?
How can I decode/transcribe .wav files?
How can I get the N-Best list?
How can I detect and ignore out-of-grammar utterances?
How can I change my language models or grammars at runtime?
How can I perform word-spotting?

Java：
How well does Sphinx-4 perform compared to other speech recognizers?
Isn't the Java Platform too slow to be used for speech recognition?
Does Sphinx-4 support the Java Speech API (JSAPI)?
Where can I learn more about the Java Speech Grammar Format (JSGF)?
Can I use Sphinx-4 in a J2ME device such as a phone or a PDA?
Why can't I use Java versions prior to 1.4?
I am having microphone troubles under linux. What can I do?

Acoustic & Language Models：
How can I train my own acoustic models?
How do I use models trained by SphinxTrain in Sphinx-4?
How can I create my own language models?

 

Development Javadoc：

javadoc:
各种类和包的介绍可以供编程开发的时候查找。