linux - 使用其音频源和开源工具高效生成预转录语音的时间索引

Question

在 TED.com 上，他们有转录，点击转录的一部分时，他们会转到视频的相应部分。

我想在带有 OSS 的 Linux 上对我拥有的 80 小时的音频和转录进行此操作。

这是我正在考虑的方法:

1. 从 30 分钟的样本开始
2. 将音频分成 2 分钟的 WAV 文件格式 block ，即使它会打断单词
3. 在每个 block 上运行来自 CMU Sphinx 的 long-audio-aligner 的短语 spotter，以及文字记录
4. 获取在每一位中找到的已识别单词/短语的时间索引，并计算原始音频文件中 ngram 的实际估计时间。

这看起来是一种有效的方法吗？有没有人真的这样做过？

是否有值得尝试的替代方法，例如可能足够准确的哑词计数？

Answer 1

您只需将所有音频和文本输入一个长音频校准器，它就会为您提供单词的时间戳。使用此时间戳，您可以跳转到文件中的特定单词。

我不确定你为什么要拆分音频或做其他事情。