В этом примере вы создаете логическую маску для звукового сигнала, где единицы соответствуют произнесению "да", и нули соответствуют отсутствию произнесения "да". Чтобы создать маску, вы используете API речи в тексте IBM™ через приложение Audio Labeler.

Этот пример требует, чтобы вы установили функциональность Записи Речи в тексте.

Слушайте звуковой файл, что вы хотите пометить и затем визуализировать его во временном интервале.

[audioIn,fs] = audioread("KeywordSpeech-16-16-mono-34secs.flac");

sound(audioIn,fs)

t = (0:numel(audioIn)-1)/fs;
plot(t,audioIn)
xlabel('Time (s)')
ylabel('Amplitude')

Откройте приложение Audio Labeler и загрузите KeywordSpeech-16-16-mono-34secs.flac файл в Браузер Данных.

При Автоматизации нажмите Speech to Text. На вкладке Speech to Text выберите свой предпочтительный API речи в тексте. Этот пример использует API речи в тексте IBM. Выберите Segment Words так, чтобы текстовые метки были разделены на отдельные слова вместо предложений. Нажмите Run, чтобы взаимодействовать через интерфейс с API речи в тексте и создать новую метку видимой области (ROI). Метка ROI содержит слова, обнаруженные и помеченные API речи в тексте IBM.

Закройте вкладку Speech to Text и затем экспортируйте помеченный набор сигнала в рабочую область.

Метки экспортируются в рабочую область как labeledSignalSet объект с меткой времени. Установите переменную labeledSet к labeledSignalSet с меткой времени объект.

labeledSet = myLabeledSet;

Смотрите SpeechContent метка.

speechContent = labeledSet.Labels.SpeechContent{1}

speechContent=52×2 table
     ROILimits        Value  
    ____________    _________

    0.87    1.31    "first"  
    1.31    1.41    "you"    
    1.41    1.63    "said"   
    1.63    2.22    "yes"    
    2.25    2.52    "then"   
    2.52    3.03    "no"     
    3.09    3.22    "and"    
    3.22    3.32    "you"    
    3.32    3.52    "said"   
    3.52    3.94    "yes"    
    3.94    4.16    "then"   
    4.16    4.66    "no"     
    4.83    5.39    "yes"    
    5.42    5.57    "the"    
    5.57    6.07    "no"     
    6.15    6.56    "driving"
      ⋮

API речи в тексте возвращает пределы меток ROI в секундах. Используйте SpeechContent таблица, чтобы создать логический вектор.

keywordLabels = speechContent(speechContent.Value == "yes",:);
keywordROILimitsInSamples = round(keywordLabels.ROILimits*fs);

mask = zeros(size(audioIn),"logical");
for i = 1:size(keywordROILimitsInSamples)
    mask(keywordROILimitsInSamples(i,1):keywordROILimitsInSamples(i,2)) = true;
end

Постройте речевой сигнал и маску определения ключевого слова.

plot(t,audioIn, ...
     t,mask)
xlabel('Time (s)')
ylabel('Amplitude')
legend('Audio','Keyword Spotting Mask','Location','southeast')