口袋狮身人面像
5.0.3
这就是 PocketSphinx，卡内基梅隆大学的开源大词汇量、与说话人无关的连续语音识别引擎之一。
尽管这曾经是一个研究系统，但积极的开发已基本停止，并且与最先进的水平相去甚远。 我正在发布一个版本，因为人们仍在使用它，并且构建系统和 API 中存在许多历史错误需要纠正。
版本号出奇地大，因为人们正在使用一个名为 5prealpha 的“版本”，从现在开始我们将使用正确的语义版本控制。
请参阅许可证文件了解使用条款。
我们现在使用 CMake 进行构建，这应该在 Linux 和 Windows 上给出合理的结果。 不确定 Mac OS X，因为我没有其中之一。 此外，从未在任何平台上真正构建或正常工作的音频库已被简单地删除。
不再有任何对 SphinxBase 的依赖。 不再有狮身人面像基地了。 这不是您要找的 SphinxBase。您所有的 SphinxBase 都属于我们。
要在虚拟环境中安装 Python 模块（将~/ve_pocketsphinx替换为您要创建的虚拟环境），请从顶级目录：
python3 -m venv ~/ve_pocketsphinx . ~/ve_pocketsphinx/bin/activate pip install .
要安装 C 库和绑定（假设您有权访问 /usr/local - 如果没有，请使用-DCMAKE_INSTALL_PREFIX在下面的第一个cmake命令中设置不同的前缀）：
cmake -S . -B build cmake --build build cmake --build build --target install
pocketsphinx命令行程序从标准输入或一个或多个文件中读取单通道 16 位 PCM 音频，并尝试使用默认的声学和语言模型来识别其中的语音。它接受大量您可能不关心的选项，默认为live的命令，以及一个或多个输入（ align模式除外），或者-从标准输入读取。
如果你有一个名为“speech.wav”的单通道 WAV 文件并且你想识别其中的语音，你可以尝试这样做（结果可能不太好）：
pocketsphinx single speech.wav
如果您的输入是其他格式，我建议使用sox进行转换，如下所述。
命令如下：
help ：打印一长串您不关心的选项。
config ：将配置作为 JSON 转储到标准输出（可以使用-config选项加载）。
live ：检测每个输入中的语音片段，对它们运行识别（使用您不关心的那些选项），并将结果以行分隔的 JSON 格式写入标准输出。 我意识到这不是最漂亮的格式，但它肯定胜过 XML。 每行都包含一个带有这些字段的 JSON 对象，这些字段具有短名称以使行更具可读性：
b ：从流开头开始的开始时间（以秒为单位）
d ：持续时间（以秒为单位）
p ：识别结果的估计概率，即0到1之间的数字，代表输入根据模型的可能性
t : 识别结果全文
w ：段列表（通常是单词），每个段依次包含b 、 d 、 p和t字段，分别表示单词的开始、结束、概率和文本。 如果-phone_align yes已传递，则将出现一个w字段，其中包含相同格式的电话分段。
single ：将每个输入识别为单个话语，并以与上述相同的格式编写 JSON 对象。
align ：将单个输入文件（或-对于标准输入）与单词序列对齐，并以与上述相同的格式写入 JSON 对象。 第一个位置参数是输入，所有后续位置参数都连接起来形成文本，以避免忘记引用它时出现意外。 您负责规范化文本以删除标点符号、大写字母、蜈蚣等。例如：
pocketsphinx align goforward.wav "go forward ten meters"
默认情况下，仅进行字级对齐。 要获取电话对齐，请在标志中传递-phone_align yes ，例如：
pocketsphinx -phone_align yes align audio.wav $text
这将产生不太可读的输出，但您可以使用 jq 来清理它。 例如，您可以仅获取单词名称和开始时间，如下所示：
pocketsphinx align audio.wav $text | jq '.w[]|[.t,.b]'
或者您可以获取电话名称和持续时间，如下所示：
pocketsphinx -phone_align yes align audio.wav $text | jq '.w[]|.w[]|[.t,.d]'
当然，还有很多很多其他的可能性。
soxflags ：将参数返回给sox ，这将创建适当的输入格式。 请注意，因为sox命令行有点奇怪，所以它们必须始终位于文件名或-d之后（告诉sox从麦克风读取）。您可以像这样运行实时识别：
sox -d $(pocketsphinx soxflags) | pocketsphinx -
或从名为“audio.mp3”的文件中解码，如下所示：
sox audio.mp3 $(pocketsphinx soxflags) | pocketsphinx -
默认情况下，仅将错误打印到标准错误，但如果您想要更多信息，可以传递-loglevel INFO 。 部分结果不会打印出来，也许将来会打印出来，但不要屏住呼吸。
对于编程，请参阅示例目录，了解使用 C 和 Python 库的许多示例。 您还可以阅读 Python API 或 C API 的文档
PocketSphinx 最终基于Sphinx-II而 Sphinx-II 又基于卡内基梅隆大学的一些旧系统，由于 Kevin Lenzo 的努力，这些系统在类似 BSD 的许可证下作为自由软件发布。 解码器的大部分内容是由 Ravishankar Mosur 编写的（在评论中查找“rkm”），但其他许多人也做出了贡献，请参阅作者文件以获取更多详细信息。
David Huggins-Daines（本文档的作者）负责创建PocketSphinx ，它添加了各种速度和内存优化、定点计算、JSGF 支持、各种平台的可移植性以及有些连贯的 API。 随后他消失了一段时间。
此后相当长一段时间由 Nickolay Shmyrev 接手维护，大量代码由 Alexander Solovets、Vyacheslav Klimkov 等人贡献。
目前，它再次由 David Huggins-Daines 维护。
