音频索引：从音频文件生成时间对齐的文本标签

Question

我需要从大量长音频文件中挑选出单词和短语，最终目标是为每个短语的起点和终点生成一个时间戳。 单词和短语是对需要时间标记的事件的描述和简单评论。 我看到过对 Google 的 GAudI 的引用，但它已经消失了（链接）。 我见过另一种解决方案（简单音频索引器），但它需要 IBM Watson。 也许可以使用 Android 语音到文本处理器？ 谁能推荐一些其他的解决方案？ 我更喜欢带有 Python 接口的解决方案，但 Java 也是可能的。 谢谢。

Answer 1

我花了很多时间试图让 Android 手机内语音识别在自由模式下工作，但它还没有准备好迎接黄金时段。 我和其他人还没有找到每隔几秒关闭一次哔哔声的方法。

因此，我正在录制完整的音频文件并通过索引器运行它们。 我找到了一个名为Aeneas的有趣解决方案，但它依赖于一个名为 eSpeak 的旧软件包，我无法将其安装在 OSX 上（eSpeak 需要对 OSX 现已锁定的目录的安装权限）。

接下来我继续尝试简单音频索引器(SAI)。 在 IBM Watson BlueMix 上设置帐户非常轻松，它们为您提供 1000 分钟的免费 STT（语音到文本）时间。 SAI 易于安装、使用简单且运行良好。 我使用pydub将我的 M4A/AAC 文件转换为 WAV。 我确实遇到了一个需要 IBM 支持的问题，他们在两小时内回复了一个运行参数来解决我的问题（需要将 inactivity_timeout 延长到超过默认的 30 秒）。 现在它运行良好。