想知道C++有没有好的“语音识别”和“文字转语音”的API。我经历了Festival,你甚至不能说电脑是否在说话,因为它是如此真实,而且voce也是如此。
不幸的是
Festival
似乎不支持语音识别(我的意思是“语音到文本”)并且voce
是用Java构建的并且由于JNI而在C ++中一团糟。
API 应该同时支持“文本到语音”和“语音到文本”,并且应该有一组很好的示例,至少在所有者的网站之外。如果它能够识别一组给定的声音,那就完美了,但这是可选的,所以不用担心。
我要用 API 做的是,当给出一组语音命令时,向左、向右转动机器人设备等。同时,对我说“早安”、“晚安”等。这些词将在程序中编码。
请帮助我为此目的找到一个好的 C++ 语音 API。如果您有教程/安装教程,请也分享给我。
我发现如果我录制音频(为此我使用了 qtmultimedia)必须是 flac 在这里阅读更多
然后我可以上传到谷歌,然后让它给我发回一些 JSON
然后我为此写了一些 c++/qt 来制作一个 qml 插件
这是那个(alpha)代码。注意确保你更换
< YOUR FLAC FILE.flac >
用你真正的 flac 文件。
speechrecognition.cpp
#include <QNetworkReply>
#include <QNetworkRequest>
#include <QSslSocket>
#include <QUrl>
#include <QJsonDocument>
#include <QJsonArray>
#include <QJsonObject>
#include "speechrecognition.h"
#include <QFile>
#include <QDebug>
const char* SpeechRecognition::kContentType = "audio/x-flac; rate=8000";
const char* SpeechRecognition::kUrl = "http://www.google.com/speech-api/v1/recognize?xjerr=1&client=directions&lang=en";
SpeechRecognition::SpeechRecognition(QObject* parent)
: QObject(parent)
{
network_ = new QNetworkAccessManager(this);
connect(network_, SIGNAL(finished(QNetworkReply*)),
this, SLOT(replyFinished(QNetworkReply*)));
}
void SpeechRecognition::start(){
const QUrl url(kUrl);
QNetworkRequest req(url);
req.setHeader(QNetworkRequest::ContentTypeHeader, kContentType);
req.setAttribute(QNetworkRequest::DoNotBufferUploadDataAttribute, false);
req.setAttribute(QNetworkRequest::CacheLoadControlAttribute,
QNetworkRequest::AlwaysNetwork);
QFile *compressedFile = new QFile("<YOUR FLAC FILE.flac>");
compressedFile->open(QIODevice::ReadOnly);
reply_ = network_->post(req, compressedFile);
}
void SpeechRecognition::replyFinished(QNetworkReply* reply) {
Result result = Result_ErrorNetwork;
Hypotheses hypotheses;
if (reply->error() != QNetworkReply::NoError) {
qDebug() << "ERROR \n" << reply->errorString();
} else {
qDebug() << "Running ParserResponse for \n" << reply << result;
ParseResponse(reply, &result, &hypotheses);
}
emit Finished(result, hypotheses);
reply_->deleteLater();
reply_ = NULL;
}
void SpeechRecognition::ParseResponse(QIODevice* reply, Result* result,
Hypotheses* hypotheses)
{
QString getReplay ;
getReplay = reply->readAll();
qDebug() << "The Replay " << getReplay;
QJsonDocument jsonDoc = QJsonDocument::fromJson(getReplay.toUtf8());
QVariantMap data = jsonDoc.toVariant().toMap();
const int status = data.value("status", Result_ErrorNetwork).toInt();
*result = static_cast<Result>(status);
if (status != Result_Success)
return;
QVariantList list = data.value("hypotheses", QVariantList()).toList();
foreach (const QVariant& variant, list) {
QVariantMap map = variant.toMap();
if (!map.contains("utterance") || !map.contains("confidence"))
continue;
Hypothesis hypothesis;
hypothesis.utterance = map.value("utterance", QString()).toString();
hypothesis.confidence = map.value("confidence", 0.0).toReal();
*hypotheses << hypothesis;
qDebug() << "confidence = " << hypothesis.confidence << "\n Your Results = "<< hypothesis.utterance;
setResults(hypothesis.utterance);
}
}
void SpeechRecognition::setResults(const QString &results)
{
if(m_results == results)
return;
m_results = results;
emit resultsChanged();
}
QString SpeechRecognition::results()const
{
return m_results;
}
speechrecognition.h
#ifndef SPEECHRECOGNITION_H
#define SPEECHRECOGNITION_H
#include <QObject>
#include <QList>
class QIODevice;
class QNetworkAccessManager;
class QNetworkReply;
class SpeechRecognition : public QObject {
Q_OBJECT
Q_PROPERTY(QString results READ results NOTIFY resultsChanged)
public:
SpeechRecognition( QObject* parent = 0);
static const char* kUrl;
static const char* kContentType;
struct Hypothesis {
QString utterance;
qreal confidence;
};
typedef QList<Hypothesis> Hypotheses;
// This enumeration follows the values described here:
// http://www.w3.org/2005/Incubator/htmlspeech/2010/10/google-api-draft.html#speech-input-error
enum Result {
Result_Success = 0,
Result_ErrorAborted,
Result_ErrorAudio,
Result_ErrorNetwork,
Result_NoSpeech,
Result_NoMatch,
Result_BadGrammar
};
Q_INVOKABLE void start();
void Cancel();
QString results()const;
void setResults(const QString &results);
signals:
void Finished(Result result, const Hypotheses& hypotheses);
void resultsChanged();
private slots:
void replyFinished(QNetworkReply* reply);
private:
void ParseResponse(QIODevice* reply, Result* result, Hypotheses* hypotheses);
private:
QNetworkAccessManager* network_;
QNetworkReply* reply_;
QByteArray buffered_raw_data_;
int num_samples_recorded_;
QString m_results;
};
#endif // SPEECHRECOGNITION_H
如果你的机器人有互联网连接并且愿意为服务付费,理论上你可以使用 Twilio。他们有许多不同语言和平台的库和示例http://www.twilio.com/docs/libraries
此外,查看此博客,解释如何使用 Twilio 构建和控制基于 arduino 的机器人http://www.twilio.com/blog/2012/06/build-a-phone-controlled-robot-using-node- js-arduino-rn-xv-wifly-arduinoand-twilio.html
对于语音识别部分,请参阅Georgi Gerganov git project using OpenAI Whisper。它离线工作(在 Apple、Linux、Windows 上),从文件加载模型,它可以将音频文件转换为文本,或者它可以从麦克风实时转换音频。我引用自 readme.md:
》OpenAI的Whisper自动语音识别(ASR)模型的高性能推理:
对于文本转语音部分,请参阅Ahmad Anis 页面,了解 C++ 中的文本转语音:
“文本转语音是机器学习的一种常见实现,实际上已经构建了许多使用文本转语音的出色机器学习应用程序。只需导入一些预定义的模型并使用 C++ 中的文本转语音就容易多了他们。”
它适用于 Windows 和 Linux(通过 wine)。我引用包含代码的git页面:
" 它与 Microsoft Sapi 一起工作,并为您提供以 Normal 、 2x 、 -2x 输出语音的选项"
这意味着它使用Microsoft Speech API (SAPI) 5.3.