speech-recognition - 从谷歌语音 api 结果中检测流畅度
问题描述
我正在尝试使用 google Speech (to text) API 来确定演讲者的流利程度。
到目前为止，我发现 API (betav1) 可以显示说出一个单词所花费的时间（它的开始时间和结束时间）。
来自维基百科，
口语流利度或口语流利度是对语言产生和接收的衡量标准，因为流利的说话者必须能够在谈话中理解和回应他人。由于“任务压力”，口语的典型特征是看似不流利的品质（例如，碎片化、停顿、错误开始、犹豫、重复）。因此，可以从感知的角度来理解一个人的口语流利程度，以及这些语音质量是否可以被认为是预期的和自然的（即流利的）或不寻常的和有问题的（即不流利的）
我可以看到我们可以从单词的 API 中获取停顿、重复等。但是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目标？任何人都可以提供指导来检测谷歌 API 的流畅度（或使用某种开源语音库或外部软件的任何其他有效方法）
如果我的方向完全错误，那完全没问题，只需要一个适当的指南来实现该功能。
解决方案
这实际上取决于您拥有的数据。我不熟悉谷歌文本到语音 API。但是，根据数据的结构，有一些替代选项可以实现您想要的。
如果数据是结构化的（即单词和与这些单词的属性相对应的值的表），您可以运行分类（或回归）算法，例如随机森林或多元逻辑回归来估计流畅度（在连续的量表）或流利程度的类别（例如非常不流利、有些不流利、正常、有点流利、非常流利）。
如果数据是非结构化的（例如短语的记录） - 那么您可以尝试使用 keras/tensorflow 中的神经网络，旨在将不同的短语分类为流利的或不流利的。