为何自己的音频总是报sample fre error

[errolyan]

命令$ ./bin/speech-aligner --acoustic-scale=0.01 --careful=true --sample-frequency=48000 --config=egs/cn_phn/conf/align.conf egs/cn_phn/data1/wav.scp egs/cn_phn/data1/text egs/cn_phn/data/out1.ali
报错
./bin/speech-aligner --acoustic-scale=0.01 --careful=true --sample-frequency=48000 --config=egs/cn_phn/conf/align.conf egs/cn_phn/data1/wav.scp egs/cn_phn/data1/text egs/cn_phn/data/out1.ali
LOG (speech-aligner[5.4.2154-f2b7]:main():bin/speech-aligner.cc:351) zhuni
ERROR (speech-aligner[5.4.2154-f2b7]:main():bin/speech-aligner.cc:425) Sample frequency mismatch: you specified 16000 but data has 48000 (use --sample-frequency option). Utterance is zhuni

[ Stack-Trace: ]

kaldi::MessageLogger::HandleMessage(kaldi::LogMessageEnvelope const&, char const*)
kaldi::MessageLogger::~MessageLogger()
main
__libc_start_main
_start

[megazone87]

欢迎使用该项目！

该问题是因为输入的音频采样率（48k）和可以接受的（16k）不匹配，所以在我增加变采样功能前，需要你在程序外先自行变采样，比如这样：

在wav.scp中，将每一行的：
wav_name wav_path.wav
变成
wav_name sox wav_path.wav -t wav - rate -I 16k |

[errolyan]

欢迎使用该项目！

该问题是因为输入的音频采样率（48k）和可以接受的（16k）不匹配，所以在我增加变采样功能前，需要你在程序外先自行变采样，比如这样：

在wav.scp中，将每一行的：
wav_name wav_path.wav
变成
wav_name sox wav_path.wav -t wav - rate -I 16k |
/cn_phn/data2/out.ali
./bin/speech-aligner --config=egs/cn_phn/conf/align.conf egs/cn_phn/data2/wav.scp egs/cn_phn/data2/text egs/cn_phn/data2/out.ali
LOG (speech-aligner[5.4.2154-f2b7]:main():bin/speech-aligner.cc:351) nitech_jp_song070_f001_097
WARNING (speech-aligner[5.4.2154-f2b7]:AlignOneUtteranceWrapper():decoder/decoder-wrappers.cc:601) Did not successfully decode file nitech_jp_song070_f001_097, len = 5938
LOG (speech-aligner[5.4.2154-f2b7]:main():bin/speech-aligner.cc:351) nitech_jp_song070_f001_006
WARNING (speech-aligner[5.4.2154-f2b7]:AlignOneUtteranceWrapper():decoder/decoder-wrappers.cc:601) Did not successfully decode file nitech_jp_song070_f001_006, len = 12658
LOG (speech-aligner[5.4.215~4-f2b7]:main():bin/speech-aligner.cc:558) Done 0 out of 2 utterances.

[errolyan]

每一行变成了wav_name sox wav_path.wav -t wav - rate -I 16k | ，有提示“Did not successfully decode file nitech_jp_song070_f001_006, len = 12658”这个错误

[errolyan]

[megazone87]

我认为，这是因为输入的语音和文本不能做到对齐，原因可能是输入语音并不是目前模型适用的领域，模型由配置文件读取的，目前仅有的配置文件只适用中文、噪声不大场景。

[megazone87]

我对日语对齐也感兴趣，可以提供一个日语模型出来，方便把你的语音发我么？

[HaiYandada]

我认为，这是因为输入的语音和文本不能做到对齐，原因可能是输入语音并不是目前模型适用的领域，模型由配置文件读取的，目前仅有的配置文件只适用中文、噪声不大场景。

我遇到了同样的问题，但是我提供的语音是很正常的中文，环境安静的情况。