我正在寻找一种算法，以确定实时音频输入是否与144个给定(且舒适地不同)的音素对之一匹配。
最好是完成工作的最低级别。
我正在为iPhone / iPad开发基础/实验音乐训练软件。
我的音乐系统包括12个辅音音素和12个元音音素，已显示为here。这使得144个可能的音素对。为了响应视觉刺激，学生必须唱对正确的音素对“laa duu bee”。
我对此进行了大量研究，看来我最好的选择可能是使用iOS Sphinx包装器之一(iPhone App › Add voice recognition?是我发现的最佳信息来源)。但是，我看不到如何修改这样的程序包，任何有使用这些技术之一的经验的人都可以给出所需步骤的基本 list 吗？
用户是否需要培训？与成千上万个单词以及更大，更细微的音素基础的完整语言模型相比，我认为不会，因为这是一项基本任务。但是，让用户训练12个音素对是可接受的(不理想的):{consonant1 + vowel1，consonant2 + vowel2，...，consonant12 + vowel12}。完整的144太麻烦了。
有没有更简单的方法？我觉得使用功能齐全的连续语音识别器正在使用大锤敲打坚果。使用能够解决问题的最低限度的技术会更加优雅。
因此，实际上，我正在寻找可识别音素的任何开源软件。
PS，我需要一个可以实时运行的解决方案。因此，即使他们正在演唱音符，它也会闪烁以说明它拾取了已演唱的音素对，然后发光以表明他们是否在演唱正确的音符音高
最佳答案
如果您正在寻找电话级别的开源识别器，那么我建议HTK。该工具以HTK Book的形式提供了很好的文档。它还包含一整章，专门用于构建电话级实时语音识别器。从上面的问题陈述中，在我看来，您似乎可以将该示例重新构造为您自己的解决方案。可能的陷阱: