问基于CMU狮身人面像的数字识别

EN

嗨，认可专家，

我有很多mp3文件(原始音频流采样是11.025 kHz)，包含数字(0-9)。

不同的说话者(男性/女性)说“一”、“七”、“三”等，其间停顿(~ 2-2.5秒)

我将使用CMU Sphinx识别语音(桌面应用程序)。所以我有一些问题：

1. MP3解码：我如何解码自己的mp3文件，这意味着我应该指定什么样本来执行(正如我所知道的，它不会被重新转换为上样/下样例流)。我应该在解码时过滤噪声和/或频带吗？
2. 声学模型：如果我不对流进行采样/降采样，如何找到支持11025 kHz的声学模型。如果我这样做了，什么是最好的数字模型？
3. 识别模式：我发现有两种模式进行转录-键识别和识别.如果考虑到我只有数字(和一些噪音)，会更好。

谢谢

UPD:

尼古拉谢谢你的回答。我试过你的建议

如果你不介意的话，我想多问几句：

1. 我发现其中一种体锻声学模型比en-us-8khz更精确。可以吗？
2. 只有45%的文件是正确的。其他55%的人有20-90%的错误。因此，我的问题是:是否有可能估计获得的结果的可信度？例如，我可以跳过文件，哪些文件“不一定”被识别？
3. 如果答案2是“否”，你有什么建议来提高准确度？我知道这个问题很抽象..。

提前谢谢你！

UPD2:

顺便说一句，最好的参数集(我刚刚介绍了各种参数)是：

-remove_dc yes -remove_noise no -vad_threshold 3.4 -vad_prespeech 19 -vad_postspeech 37 -silprob 2.5