从Google Speech API结果中检测流畅度 [英] Detect fluency from google speech api results

问题描述

我正在尝试使用Google Speech(转换为文本)API确定演讲者的流利度。

到目前为止，我发现接口(Betav1)可以显示说出一个单词的时间(开始时间和结束时间)。

和来自维基百科的

口语流利度或口语流利度都是衡量产出的标准 和接受演讲，作为一个流利的演讲者必须能够 在谈话中理解并回应他人。口语是 典型地以看似不流利的品质为特征(例如， 支离破碎、停顿、错误开始、犹豫、重复)，因为 "任务压力"。因此，一个人的口语流利程度是可以理解的 在感知方面，以及这些语音质量是否可以 被认为是预期的、自然的(即流利的)或不同寻常的 有问题(即不流利)

我知道我们可以从单词的API中获得停顿、重复等。但相对测量可能很困难，因为我找不到任何标准值。

有没有适当的方法来实现这一点？谁能给出一个准则来检测Google API的流畅性(或使用某种开源语音库或外部软件的任何其他有效方法)

如果我完全走错了方向，完全没有问题，只需要一个适当的指导来实现该功能。

推荐答案

这实际上取决于您拥有的数据。我不熟悉Google Text to Speech API。但是，根据数据结构的不同，有几个替代选项可以实现您想要的结果。

1. 如果数据是结构化的(即，与这些词的属性对应的词和值的表)，您可以运行分类(或回归)算法，如随机森林或多元Logistic回归，以估计流利度(在连续的尺度上)或流利度类别(例如，非常不流利、有点不流利、正常、某种程度流利、非常流利)。

2. 如果数据是非结构化的(例如，一个短语的录制)-那么您可以尝试在keras/TensorFlow中使用神经网络，它旨在将不同的短语分类为流利或不流利。

这篇关于从Google Speech API结果中检测流畅度的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！