我有一个 WAV 文件，里面是人类朗读简单句子（“hello world”）。如何通过自动识别单词之间的静音间隙，将 WAV 文件拆分为多个 WAV 文件，每个文件包含一个单词（“hello”和“world”）？
我正在寻找一个可以完成这项工作的工具，但如果我没有选择，我可以用 C 或 C# 或 Java 编写
答案1
一个普遍适用的解决方案是不可能的，因为有很多情况是无法做到的。
这是一个比你想象的更难的问题，因为自然语音并不总是用静音来分隔单词。
例如，短语“Look out”通常用喉塞音发音，听起来更像“loo kout”
翻译自然语音的程序通常将语音分解为可分离的声音位，即音素，然后尝试将音素模式与单词进行匹配。
因此，虽然您可以根据静音将 WAV 文件分成多个片段，但可能不会以单词为界。您最终会得到类似这样的结果（使用反例），一个 WAV 包含“loo”，另一个 WAV 包含“kout”