使用 Swift 分析录制的音频文件以将语音转换为文本

Posted 2023-02-25

【中文标题】使用 Swift 分析录制的音频文件以将语音转换为文本

【英文标题】：Analyse recorded audio file with Swift for speech to text

【发布时间】：2016-07-06 10:11:29

【问题描述】：

我可以使用 Swift for ios 录制音频并播放录制的音频文件。我要问的是是否可以检查录制的音频文件的背景噪音和音量/分贝，以便我可以确定它对于我的语音到文本框架来说已经足够好了。框架不是问题，我已经研究了所有可用的框架。

我很好奇是否可以使用 AVFoundation 或 Accelerate Framework 或任何其他框架分析录制的音频文件，以检查音频文件是否足够好/清晰，可以使用语音转文本框架进行处理。

我没有太多的音频知识，但我研究了一下，发现我可以在录制时获得峰值和平均分贝值，但是背景噪音呢？

任何信息都有助于使用 Swift 分析录制的音频文件。

【问题讨论】：

请记住swift 和objective-c 是高级语言，您很难在以实时优先级运行的严肃程序的DSP 线程上找到它们。为什么？因为所有舒适的东西（分配对象、内存管理、轮询和阻塞等）根本无法在实时线程上进行，除非您正在寻找麻烦。对于 DSP 代码，它运行 快速 至关重要。因此，您可以在swift 中编写您的 UI 或控制器，但对于 DSP 部分，例如 SNR 估计，最安全的选择将下降到 plain-C。

【参考方案1】：

SNR 估计是相当发达的领域。您需要实现一个语音活动检测器，它将噪声与语音分离，然后分别计算噪声能量和信号能量，然后计算比率。不过，这稍微超出了简单的数学范围，您需要了解统计数据才能实现像 Wada SNR 这样的合理算法，该算法是在 here 实现的。

您将无法在 Swift 中找到它的实现，此类软件通常用 C 或 Matlab 实现，您必须移植实现。

与语音识别相比，噪声估计是一个小问题，它涉及更高级的算法。最好考虑 Swift 中现有的语音识别包，例如 TLsphinx 或 OpenEars。

【讨论】：

谢谢。据我搜索，在 Swift/Objective-C 中没有可用的 SNR 或 VAD 解决方案。语音识别已经在工作，但感谢您的建议。我可以分析录音期间从 audioRecorder 返回的平均功率和峰值功率（以 dB 为单位），所以这是我目前找到的唯一分析。

@Nikolay Shmyrev 我想使用 wada snr。下载了你说的那个文件夹，不知道怎么安装。找不到任何文档

@Nikolay Shmyrev 我就类似问题提出了一个新问题