语音/语音到文本[关闭]

Posted 2023-04-19

【中文标题】语音/语音到文本[关闭]

【英文标题】：Voice/Speech to text [closed]

【发布时间】：2011-06-08 07:51:50

【问题描述】：

我需要一个 API 或库（最好是免费的），它将通过麦克风将语音/语音转换为文本（字符串）。

此外，我还需要一个 API 或库来进行文本转语音。

我想使用 C# 和 .NET，但其他语言就足够了。

谢谢。

【参考方案1】：

您可以使用 CMU Sphinx，因为它是非常开放和可扩展的解决方案，我认为它可以在客户端和服务器端使用：

http://cmusphinx.sourceforge.net/

如果您正在寻找 Microsoft 桌面解决方案，那么您可以使用 SAPI：

http://msdn.microsoft.com/en-us/magazine/cc163663.aspx

在服务器端，您可以使用 Microsoft 统一通信，但也要考虑许可：

http://www.microsoft.com/uc/en/gb/default.aspx

更新：

这个帖子也有一些很好的参考：

C# Speech Recognition - Is this what the user said?

【讨论】：

刚刚更新了一个链接的答案。

如果您只需要在 Windows Server 上进行语音识别，则不需要 UCS。您可以下载免费的 Microsoft 语音平台 - microsoft.com/downloads/en/…。

我不知道，谢谢你的帖子，看起来很有趣。

【参考方案2】：

这是一个使用 C# 和 System.Speech 将语音转换为文本的完整示例

代码可以分为两个主要部分：

配置 SpeechRecognitionEngine 对象（及其所需元素） 处理 SpeechRecognized 和 SpeechHypothesized 事件。

第 1 步：配置 SpeechRecognitionEngine

_speechRecognitionEngine = new SpeechRecognitionEngine();
_speechRecognitionEngine.SetInputToDefaultAudioDevice();
_dictationGrammar = new DictationGrammar();
_speechRecognitionEngine.LoadGrammar(_dictationGrammar);
_speechRecognitionEngine.RecognizeAsync(RecognizeMode.Multiple);

此时，您的对象已准备好开始从麦克风转录音频。不过，您需要处理一些事件，才能真正访问结果。

第 2 步：处理 SpeechRecognitionEngine 事件

_speechRecognitionEngine.SpeechRecognized -= new EventHandler(SpeechRecognized); _speechRecognitionEngine.SpeechHypothesized -= new EventHandler(SpeechHypothesizing);

_speechRecognitionEngine.SpeechRecognized += new EventHandler(SpeechRecognized); _speechRecognitionEngine.SpeechHypothesized += new EventHandler(SpeechHypothesizing);

private void SpeechHypothesizing(对象发送者， SpeechHypothesizedEventArgs e) ///来自引擎的实时结果 字符串 realTimeResults = e.Result.Text;

private void SpeechRecognized(对象发送者，SpeechRecognizedEventArgs e) ///来自引擎字符串的最终答案 finalAnswer = e.结果.文本；

就是这样。如果您想使用预先录制的 .wav 文件而不是麦克风，您可以使用

_speechRecognitionEngine.SetInputToWaveFile(pathToTargetWavFile);

而不是

_speechRecognitionEngine.SetInputToDefaultAudioDevice();

这些课程中有很多不同的选项，值得更详细地探索。

http://ellismis.com/2012/03/17/converting-or-transcribing-audio-to-text-using-c-and-net-system-speech/

【讨论】：

我们可以将 SpeechRecognitionEngine 用于使用 MONO 框架的 android 应用程序吗？？？

不。为此需要一些 Visual Studio。

@bulltorious 不正确。 Mono 是一个适用于 .NET 的 Linux 模拟器，所以是的，它适用于 Mono。 另外：Visual Studio 是一种 IDE，而不是一种编程语言。

【参考方案3】：

见Using c++ to call and use Windows Speech Recognition

上面写着：

Microsoft 为 Windows 的客户端和服务器版本提供语音识别引擎。两者都可以使用 C++ 或 .NET 语言进行编程。用于 C++ 编程的传统 API 称为 SAPI。用于客户端和服务器语音的 .NET 框架命名空间是 System.Speech 和 Microsoft.Speech。

SAPI 文档 - http://msdn.microsoft.com/en-us/library/ms723627(VS.85).aspx

用于客户端识别的 .NET 命名空间是 System.Speech - http://msdn.microsoft.com/en-us/library/system.speech.recognition.aspx。 Windows Vista 和 7 包括语音引擎。

用于服务器识别的 .NET 命名空间是 Microsoft.Speech，10.2 版本的完整 SDK 可在 http://www.microsoft.com/downloads/en/details.aspx?FamilyID=1b1604d3-4f66-4241-9a21-90a294a5c9a4 获得。语音引擎可免费下载。

许多早期的问题已经解决了这个问题。有关示例，请参见 Prototype based on speech recognition、getting started with speech recognition and speech synthesis 和 SAPI and Windows 7 Problem。

【参考方案4】：

I'd like to use C# and .NET, but other languages will suffice. 如果您对C++ 开放Festival，请勾选此项

【参考方案5】：

每个 Windows 操作系统中都有一个用于 Text2Speach 的内置 DLL。您将在 c:\Programs\Shared Folders\Microsoft Shared\Speech\sapi.dll (sAPI - speach api) 中找到相应的 dll - 我不太确定路径 - 但无论如何您都可以搜索 sapi.dll。

之后你可以使用下面的代码sn -p

SpVoice oVoice = new SpVoice();
oVoice.Voice = oVoice.GetVoices("","").Item(0); // 0 indicating what kind of speaker you want
oVoice.Volume = 50;
oVoice.Speak("hello world", SpeechVoiceSpeakFlags.SVSFDefault);
oVoice = null;

【讨论】：

这是Win7 C:\Windows\System32\Speech\Common的路径

Speech to Text... 不是相反。

@RobHay “另外，我需要一个 API 或库来进行文本转语音”，所以我认为我的回答是 - 至少 - 部分正确。

【参考方案6】：

对于文本到语音的转换，您必须遵循 3 个步骤：

1.添加 System.Speech 引用。

2.添加标题：

使用 System.Speech；

使用 System.Speech.Synthesis;

3.添加以下代码，其中 textBox1 是文本框默认名称。

            SpeechSynthesizer speaker = new SpeechSynthesizer();
            speaker.Rate = 1;
            speaker.Volume = 100;
            speaker.Speak(textBox1.Text);

【讨论】：

完美运行，这应该是一个可以接受的答案；）

除非它与问题的方向相反；这不是语音到文本，而是显示文本到语音。