问题是我想得到C语言语音的音素。
假设你有一个像“x.wav”这样的音频文件，上面写着“你好，亲爱的沙米姆”。我想提取演讲的所有音素及其相对时间。如下图所示：
我使用System.Speech库（同时使用recognition和synthesis名称空间），但没有找到我想要的。现在别搞错了！我不想要“你好，亲爱的沙米姆”这个句子的音素，我想从一个未知的音频输入中提取音素，这个音频输入可以说英语句子。我试过从音频文件中提取单词，而不是从电话中！正如你可能猜到的，这个词有30%是错的！；）
最佳答案
与单词识别相比，音素识别需要一些专门的设置，而且大多数引擎都不直接支持它（单音单词词典通常不会产生很好的准确性）。其中一个重要的原因是，由于单词识别受到更多的限制（它过滤掉了所有没有映射到真实单词的电话组合，而真实单词正是其中的大多数），所以音素识别的准确性远远低于单词识别。但HTK确实支持这一点。您可以通过执行shell命令（在c中这样做没有什么坏处）或对库进行pinvog操作来使用它。