cmusphinx/pocketsphinx

PocketSphinx – 輕量級、離線語音辨識器

是什麼 – PocketSphinx 是由卡內基梅隆大學開發的開源連續語音辨識器。它實作了用於大詞彙量、說話者無關語音辨識的經典隱馬可夫模型（HMM）解碼，但刻意保持小巧且快速，以便在低功耗裝置（如樹莓派、嵌入式 Linux、Windows）上運行。程式碼庫使用 C 語言撰寫，並提供可選的 Python 繫結。

為何重要 – 與許多需要 GPU 或雲端 API 的現代神經網路辨識器不同，PocketSphinx 完全離線運作，體積極小（僅數 MB）。這使其非常適合隱私敏感或資源受限的應用場景，例如語音控制的物聯網裝置、機器人，或需要裝置端語音轉文字的愛好者專案。

如何取得 – 此專案使用 CMake 建構 C 庫與 pocketsphinx 命令列工具。在基於 Debian 的 Linux 系統上，可透過 apt 安裝可選的音訊處理相依性（ffmpeg、portaudio、sox 等）。克隆倉儲後，可執行以下指令：

# 建構 C 庫
cmake -S . -B build
cmake --build build
sudo cmake --build build --target install   # 或使用 -DCMAKE_INSTALL_PREFIX 指定自訂安裝路徑

對於 Python，建立虛擬環境後，從頂層目錄執行 pip install . 即可。

如何執行 – pocketsphinx 可執行檔讀取 16 位單聲道 PCM 音訊（來自檔案或標準輸入），並將辨識結果以行分隔的 JSON 格式輸出。主要子命令包括：

• live – 流式處理音訊，偵測語音段，並為每個段輸出一個 JSON 物件（b 開始時間，d 持續時間，p 認知度，t 轉錄文字，w 詞級細節）。
• single – 將每個輸入檔案視為一個完整語句，回傳一個 JSON 物件。
• align – 強制將給定音訊檔案與提供的轉錄文字對齊，適用於產生詞語或音素的時間戳。
• soxflags – 輸出將任意音訊格式轉換為所需 PCM 流所需的 sox 參數，支援如 sox audio.mp3 $(pocketsphinx soxflags) | pocketsphinx - 的管道處理。

程式設計 – 倉儲在 examples/ 目錄中提供 C 與 Python 的範例程式。C API 使用 Doxygen 文件化（由 CMake 自動建構），Python API 則托管於 https://pocketsphinx.readthedocs.io。Python 中的典型用法如下：

import pocketsphinx as ps
config = ps.Decoder.default_config()
config.set_string('-hmm', '/path/to/acoustic/model')
config.set_string('-lm', '/path/to/language/model')
config.set_string('-dict', '/path/to/dictionary')
decoder = ps.Decoder(config)
decoder.start_utt()
with open('speech.wav', 'rb') as f:
    decoder.process_raw(f.read(), False, True)
decoder.end_utt()
print('Result:', decoder.hyp().hypstr)

開發與測試 – 專案包含回歸/單元測試套件（make check 或 ctest）。文件可本地建構（C API 使用 cmake --build build --target docs，Python 文件使用 make -C docs html）。GitHub Actions 上的持續整合工作流程負責發行與 API 文件更新。

授權 – 請參閱倉儲中的 LICENSE 檔案；PocketSphinx 以 BSD 風格授權，允許自由使用與分發。

---

PocketSphinx 是一個真實且積極維護的語音辨識庫，完全屬於 AI/ML 領域，專注於高效、離線推論，而非大型神經網路模型。