Chọn API speech_recognition sai

Mục nào sau đây không phải là API nhận dạng giọng nói trong thư viện speech_recognition?

Một thể hiện của lớp Recognizer đã được tạo và lưu vào recognizer. Bạn có thể thử gọi API trên recognizer để xem điều gì xảy ra.

Bài tập này là một phần của khóa học

Xử lý Ngôn ngữ Nói bằng Python

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Xử lý Ngôn ngữ Nói bằng Python

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Tệp âm thanh khác với hầu hết các loại dữ liệu khác. Trước khi có thể làm việc với chúng, bạn cần tiền xử lý. Trong chương này, bạn sẽ học các bước đầu tiên để làm việc với tệp lời nói bằng cách chuyển đổi hai tệp âm thanh khác nhau thành sóng âm và so sánh chúng trực quan.

Exercise 1: Giới thiệu về dữ liệu âm thanh trong Python Exercise 2: Tần số phù hợp Exercise 3: Nhập tệp âm thanh với Python Exercise 4: Chuyển đổi byte của sóng âm thành số nguyên Exercise 5: Kiểu dữ liệu phù hợp Exercise 6: Từ byte sang số nguyên Exercise 7: Tìm các mốc thời gian Exercise 8: Trực quan hóa sóng âm Exercise 9: Giữ tính nhất quán Exercise 10: Xử lý dữ liệu âm thanh với Python

Nhận dạng giọng nói vẫn còn cách xa mức hoàn hảo. Nhưng thư viện SpeechRecognition cung cấp cách đơn giản để tương tác với nhiều API chuyển giọng nói thành văn bản. Trong phần này, bạn sẽ học cách dùng thư viện SpeechRecognition để nhanh chóng bắt đầu chuyển ngôn ngữ nói trong các tệp âm thanh của bạn thành văn bản.

Exercise 1: Thư viện SpeechRecognition trong Python Exercise 2: Chọn API speech_recognition sai

Bài tập hiện tại

Exercise 3: Sử dụng thư viện SpeechRecognition Exercise 4: Sử dụng lớp Recognizer Exercise 5: Đọc tệp âm thanh với SpeechRecognition Exercise 6: Từ AudioFile đến AudioData Exercise 7: Ghi lại đúng phần âm thanh cần dùng Exercise 8: Xử lý các loại âm thanh khác nhau Exercise 9: Các kiểu âm thanh khác nhau Exercise 10: Nhiều người nói 1 Exercise 11: Nhiều người nói 2 Exercise 12: Làm việc với âm thanh nhiễu

Không phải tệp âm thanh nào cũng có cùng hình dạng, kích thước hoặc định dạng. May mắn là thư viện PyDub của James Robert cung cấp các công cụ để bạn có thể lập trình thay đổi các thuộc tính khác nhau của tệp âm thanh như tốc độ khung (frame rate), số kênh, định dạng tệp và hơn thế nữa. Trong chương này, bạn sẽ học cách dùng thư viện hữu ích này để đảm bảo mọi tệp âm thanh của bạn đều ở đúng định dạng để phiên âm.

Exercise 1: Giới thiệu về PyDub Exercise 2: Nhập một tệp âm thanh với PyDub Exercise 3: Phát tệp âm thanh với PyDub Exercise 4: Tham số âm thanh với PyDub Exercise 5: Điều chỉnh tham số âm thanh Exercise 6: Xử lý tệp âm thanh với PyDub Exercise 7: Giảm âm lượng… rồi tăng lên Exercise 8: Chuẩn hóa một tệp âm thanh với PyDub Exercise 9: Cắt ghép và thay đổi tệp âm thanh Exercise 10: Tách âm thanh stereo thành mono với PyDub Exercise 11: Chuyển đổi và lưu tệp âm thanh với PyDub Exercise 12: Xuất và đổi định dạng tệp âm thanh Exercise 13: Xử lý nhiều tệp âm thanh với PyDub Exercise 14: Quy trình xử lý âm thanh

Trong chương này, bạn sẽ tổng hợp mọi thứ đã học bằng cách xây dựng một dự án minh chứng năng lực xử lý lời nói cho công ty công nghệ Acme Studios. Bạn sẽ bắt đầu bằng cách phiên âm các đoạn âm thanh cuộc gọi hỗ trợ khách hàng thành văn bản. Sau đó bạn sẽ thực hiện phân tích cảm xúc bằng NLTK, nhận dạng thực thể có tên bằng spaCy và phân loại văn bản bằng scikit-learn trên phần văn bản đã phiên âm.

Exercise 1: Tạo các hàm hỗ trợ chuyển lời nói thành văn bản Exercise 2: Chuyển đổi âm thanh sang đúng định dạng Exercise 3: Tìm thống kê từ PyDub Exercise 4: Chuyển âm thanh thành văn bản chỉ với một dòng Exercise 5: Sử dụng các hàm trợ giúp bạn đã xây dựng Exercise 6: Phân tích cảm xúc trên văn bản từ lời nói Exercise 7: Phân tích cảm xúc của một cuộc gọi Exercise 8: Phân tích cảm xúc trên văn bản đã định dạng Exercise 9: Nhận dạng thực thể có tên trên văn bản đã phiên âm Exercise 10: Nhận dạng thực thể có tên trong spaCy Exercise 11: Tạo thực thể có tên tùy chỉnh trong spaCy Exercise 12: Phân loại lời nói đã chuyển âm với Sklearn Exercise 13: Chuẩn bị tệp âm thanh cho phân loại văn bản Exercise 14: Chuyển lời thoại từ trích đoạn cuộc gọi điện thoại Exercise 15: Tổ chức dữ liệu cuộc gọi đã được chuyển lời nói thành văn bản Exercise 16: Tạo bộ phân loại văn bản từ lời nói Exercise 17: Chúc mừng bạn!