使用其音频源和开源工具有效地生成预转录语音的时间索引

Question

在TED.com上，他们有转录，单击转录的一部分时，它们会转到视频的相应部分。

我想在具有OSS的Linux上使用80个小时的音频和转录来进行此操作。

这是我在想的方法：

1. 从30分钟的样本开始
2. 将音频拆分为2分钟的WAV文件格式的块，即使它会使单词破碎
3. 在每个块上使用CMU Sphinx的long-audio-aligner运行短语Spotter
4. 取每个位中找到的已识别单词/短语的时间索引，并计算原始音频文件中ngram的实际估计时间。

这似乎是一种有效的方法吗？ 有人真的这样做过吗？

是否有其他值得尝试的替代方法，例如愚蠢的字数统计可能足够准确？

Answer 1

您只需将所有音频和文本输入一个较长的音频对齐器中，它就会为您提供单词的时间戳。 使用此时间戳，您可以跳至文件中的特定单词。

我不确定为什么要分割音频或做其他事情。