Sphinx應用程序編寫

Pocketsphinx API 核心理念

     Pocketsphinx API 被設計是為了減輕編寫語音識別功能應用程序。

1. 由於使用抽象類，所以在源代碼和二進制文件兼容方面，更能保持穩定。
2. 因為它完全可重入，所以在同一進程中擁有多個編碼器也不會出現問題。
3. 在運行時，新的語言模型的接口（在sphinxbase）支持線性多模型插值。
4. 它能大幅度減少代碼量而且能明顯減少內存消耗。

相關文檔見：http://cmusphinx.sourceforge.net/api/pocketsphinx/

基本用法（hello world）

你需要知道幾個關鍵的點如何使用應用程序接口(API)：

1. 命令行通過外部<cmd_ln.h>來解析；
2. 一切都需要一個ps_decoder_t*作為第一個參數。

為了說明新的接口，我們將通過一個簡單的“hello world”的例子。這個例子為unix源文件和匯編程序。我們將創建一個叫hello_ps.c的C源文件。我們使用如下命令來編譯：

    gcc -o hello_ps hello_ps.c \

    -DMODELDIR=\"`pkg-config --variable=modeldir pocketsphinx`\"

`pkg-config --cflags --libs pocketsphinx sphinxbase`

請注意，編譯錯誤在這里意味着你沒有仔細閱讀教程和不遵循上述安裝指南。例如pocketsphinx需要通過pkg-config系統來正確安裝。為了檢查pocketsphinx正確安裝與否，只要在命令行運行 pkg-config --cflags --libs pocketsphinx sphinxbase 就可以從輸出結果看出。

-I/usr/local/include/sphinxbase  -I/usr/local/include/pocketsphinx 

-L/usr/local/lib -lpocketsphinx -lsphinxbase –lsphinxad

 

pkg-config --variable=modeldir pocketsphinx

顯示結果輸出：/usr/local/share/pocketsphinx/model

 

補充：gcc -o recog recog.c \-DMODELDIR=\"/usr/local/share/pocketsphinx/model\"  -I/usr/local/include/sphinxbase  -I/usr/local/include/pocketsphinx  -L/usr/local/lib -lpocketsphinx -lsphinxbase -lsphinxad

初始化

首先我們需要做的是創建一個配置對象，由於某種原因叫作cmd_ln_t。我們將按如下程序這樣做：

#include <pocketsphinx.h>

 

int main(int argc, char *argv[])

{

        ps_decoder_t *ps;

        cmd_ln_t *config;

 

        config = cmd_ln_init(NULL, ps_args(), TRUE,

                          "-hmm",MODELDIR "/hmm/en_US/ hub4wsj_sc_8k",

                          "-lm", MODELDIR "/lm/en/turtle.DMP",

                          "-dict", MODELDIR "/lm/en/turtle.dic",

                             NULL);

        if (config == NULL)

                return 1;

 

        return 0;

}

 

該cmd_ln_init()功能采用可變數目的空結束NULL的字符串參數。第一個參數是之前要更新的cmd_ln_t *。第二參數是一個數組參數定義—通過調用ps_args()來進行設置。第三個參數是一個標志，告訴參數解析器將是“嚴格”的—如果這是真的，然后重復的參數或未知參數會導致解析失敗。

該MODELDIR宏定義是在GCC命令行中使用pkg-config從PocketSphinx配置中獲得modeldir變量。在windows系統中，你可以簡單的增加一個預處理宏定義到代碼中，像這樣：

          #define MODELDIR "c:/sphinx/model"

（無論你的模型安裝在哪個目錄下），現在，為了初始化解碼器，使用ps_init如下:

ps = ps_init(config);

        if (ps == NULL)

                return 1;

 

解碼文件流

現在現場音頻輸入受到一些特定平台的影響，這將限制我們自已去解碼音頻文件。“turtle”語言模式識別的一個非常簡單的“robot control”語言，其中包括一些諸如“go forward ten meters”的短語。事實上，一個音頻文件包含在PocketSphinx源代碼的句子中。你可以在test/data/goforward.raw中找到。把它復制到當前目錄。如果你想創建自己的版本，需要一個單聲道，小端，無頭16-bit PCM有符號，采樣率為16KHZ的音頻文件。

 

為了這樣做，首先我們打開文件：

        FILE *fh;

 

        fh = fopen("goforward.raw", "rb");

        if (fh == NULL) {

                perror("Failed to open goforward.raw");

                return 1;

        }

然后使用ps_decode_raw()進行解碼：

        rv = ps_decode_raw(ps, fh, "goforward", -1);

        if (rv < 0)

                return 1;

現在，為了假設，我們可以使用ps_get_hyp():

        char const *hyp, *uttid;

        int rv;

        int32 score;

        hyp = ps_get_hyp(ps, &score, &uttid);

        if (hyp == NULL)

                return 1;

        printf("Recognized: %s\n", hyp);

從內存中解碼音頻數據

現在我們將再次解碼相同的文件，但是使用API從內存塊中解碼音頻數據。在這種情況下，首先我們需要使用ps_start_utt()開始說話：

        fseek(fh, 0, SEEK_SET);

        rv = ps_start_utt(ps, "goforward");

        if (rv < 0)

                return 1;

我們將每次從文件中讀取512大小的樣本，使用ps_process_raw()把它們放到解碼器中:

        int16 buf[512];

        while (!feof(fh)) {

            size_t nsamp;

            nsamp = fread(buf, 2, 512, fh);

            rv = ps_process_raw(ps, buf, nsamp, FALSE, FALSE);

        }

然后我們需要使用ps_end_utt()去標記說話的結尾處：

        rv = ps_end_utt(ps);

        if (rv < 0)

                return 1;

以相同精確的方式運行來檢索假設的字符串：

        hyp = ps_get_hyp(ps, &score, &uttid);

        if (hyp == NULL)

                return 1;

        printf("Recognized: %s\n", hyp);

清理

使用ps_free()對對象進行清理，返回使用ps_init()。你不應該釋放配置對象。

代碼清單

#include <pocketsphinx.h>

int main(int argc, char *argv[])
{
    ps_decoder_t *ps;
    cmd_ln_t *config;
    FILE *fh;
    char const *hyp, *uttid;
        int16 buf[512];
    int rv;
    int32 score;

    config = cmd_ln_init(NULL, ps_args(), TRUE,
                 "-hmm", MODELDIR "/hmm/en_US/hub4wsj_sc_8k",
                 "-lm", MODELDIR "/lm/en/turtle.DMP",
                 "-dict", MODELDIR "/lm/en/turtle.dic",
                 NULL);
    if (config == NULL)
        return 1;
    ps = ps_init(config);
    if (ps == NULL)
        return 1;

    fh = fopen("goforward.raw", "rb");
    if (fh == NULL) {
        perror("Failed to open goforward.raw");
        return 1;
    }

    rv = ps_decode_raw(ps, fh, "goforward", -1);
    if (rv < 0)
        return 1;
    hyp = ps_get_hyp(ps, &score, &uttid);
    if (hyp == NULL)
        return 1;
    printf("Recognized: %s\n", hyp);

        fseek(fh, 0, SEEK_SET);
        rv = ps_start_utt(ps, "goforward");
    if (rv < 0)
        return 1;
        while (!feof(fh)) {
            size_t nsamp;
            nsamp = fread(buf, 2, 512, fh);
            rv = ps_process_raw(ps, buf, nsamp, FALSE, FALSE);
        }
        rv = ps_end_utt(ps);
    if (rv < 0)
        return 1;
    hyp = ps_get_hyp(ps, &score, &uttid);
    if (hyp == NULL)
        return 1;
    printf("Recognized: %s\n", hyp);

    fclose(fh);
        ps_free(ps);
    return 0;
}

高級用法

對於使用更復雜的老API，有一些明顯的不同地點：

1. 得到部分和全部假設不再有單獨的功能；
2. 詞語切分是通過訪問迭代器而不是返回的數組或列表；
3. 語言模型的轉換是通過外部（<ngram_model.h>）。

首先這些都是簡單的。在這之前，你必須使用uttproc_partial_result()得到部分結果(例如在uttproc_end_utt()前)，使用uttproc_result()得到全部結果。現在，ps_get_hyp()能工作在兩種方式下。

對於字的分割，API提供了一個遍歷所有字序列的迭代器對象。這個迭代器對象是一個抽象類，這個抽象類為一些訪問器提供獲取每個字的時間點，分數和（最有趣的）后驗概率。

最后，語言模型切換是完全不同的。解碼器總是與一個語言模型集對象聯系在一起。切換語言模型是通過以下：

1. 得到一個句柄然后給語言模型集對象：ps_get_lmset()
2. 選擇一個新的語言模型：ngram_model_set_select()
3. 告訴解碼器語言模型集已更新：ps_update_lmset()

                                                                                                                                           翻譯於2011年9月21日

參考官網:http://cmusphinx.sourceforge.net/wiki/tuturialpocketsphinx