在.Net中对音素的演讲
问题是我想用C＃语言获取音频语音的音素。 假设你有一个像“x.wav”这样的音频文件，上面写着“你好亲爱的Shamim”。 我想提取演讲的所有音素和他们的相对时间。 如下图所示：
我使用System.Speech库（ recognition和synthesis命名空间）但我找不到我想要的东西。 现在别搞错了！ 我不希望句子的音素“你好亲爱的Shamim”，我想从未知的音频输入中提取音素和英语句子。 我尝试过System.Speech.Recognition但它尝试从音频文件中提取出来的单词，而不是手机！ 正如你可能猜到的那样，这些词是错误的！ ;）
与单词识别相比，音素识别需要一些专门的设置，并且大多数引擎不直接支持它（单声道“单词”的字典通常不会产生良好的准确性）。 一个很大的原因是音素识别远不如单词识别准确，因为单词识别受到更多约束（它过滤掉所有不映射到真实单词的电话组合，其中大部分都是如此）。 但HTK确实支持它。 您可以通过执行shell命令来使用它（从C＃中执行此操作没有任何恶意）或对库进行pinvoking。
尝试使用带有字符串参数的System.Speech.Recognition.DictationGrammar构造函数，并传递“grammar：dictation＃pronunciation”作为参数。 或者，原始SAPI（使用SpeechLib互操作程序集）可以通过ISpRecoGrammar::LoadDictation指定发音语法，并指定“发音”作为听写主题。
您可以将隐藏马尔可夫模型工具包与pinvoke绑定到您的c＃代码或尝试使用Accord.net框架 ，该框架是托管的并具有HMM类，但没有具体的方法来提取音素。
这是为了vanilla .net，还是你可以使用SAPI（你知道，语音API）吗？ 演讲api 很好 ，似乎有你想要的东西。 最重要的是，在Windows环境中，它比外部库更容易获得（更不用说无论应用程序如何都没有太多的许可问题）。
您是否注意到System.Speech.Recognition.RecognizedWordUnit ？ 这似乎与您正在寻找的大致相同。