【发布时间】：2011-12-18 19:54:55
【问题描述】：
我正在做一个个人项目，涉及我公寓里的麦克风，我可以向它发出口头命令。为此，我一直在使用 Microsoft Speech API，特别是 C# 中 System.Speech.Recognition 中的 RecognitionEngine。我构造一个语法如下：
// validCommands is a Choices object containing all valid command strings
// recognizer is a RecognitionEngine
GrammarBuilder builder = new GrammarBuilder(recognitionSystemName);
builder.Append(validCommands);
recognizer.SetInputToDefaultAudioDevice();
recognizer.LoadGrammar(new Grammar(builder));
recognizer.RecognizeAsync(RecognizeMode.Multiple);
// etc ...
当我实际给它一个命令时，这似乎工作得很好。它还没有误认我的命令之一。不幸的是，它也倾向于将随机谈话作为命令！我试图通过在命令 Choices 对象前加上一个“名称”（recognitionSystemName）来改善这一点，我将系统称为。奇怪的是，这似乎没有帮助。我将它限制为一组预定的命令短语，所以我认为它能够检测到语音是否不是任何字符串。我最好的猜测是它假设所有声音都是命令并从命令集中选择最佳匹配。任何有关改进此系统使其不再触发非针对它的对话的建议都会非常有帮助。
编辑：我已将名称识别器移至单独的 SpeechRecognitionEngine，但准确性很差。这是我写的一些测试代码来检查准确性：
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Speech.Recognition;
namespace RecognitionAccuracyTest
{
class RecognitionAccuracyTest
{
static int recogcount;
[STAThread]
static void Main()
{
recogcount = 0;
System.Console.WriteLine("Beginning speech recognition accuracy test.");
SpeechRecognitionEngine recognizer;
recognizer = new SpeechRecognitionEngine(new System.Globalization.CultureInfo("en-US"));
recognizer.SetInputToDefaultAudioDevice();
recognizer.LoadGrammar(new Grammar(new GrammarBuilder("Octavian")));
recognizer.SpeechHypothesized += new EventHandler<SpeechHypothesizedEventArgs>(recognizer_SpeechHypothesized);
recognizer.SpeechRecognized += new EventHandler<SpeechRecognizedEventArgs>(recognizer_SpeechRecognized);
recognizer.RecognizeAsync(RecognizeMode.Multiple);
while (true) ;
}
static void recognizer_SpeechRecognized(object sender, SpeechRecognizedEventArgs e)
{
System.Console.WriteLine("Recognized @ " + e.Result.Confidence);
try
{
if (e.Result.Audio != null)
{
System.IO.FileStream stream = new System.IO.FileStream("audio" + ++recogcount + ".wav", System.IO.FileMode.Create);
e.Result.Audio.WriteToWaveStream(stream);
stream.Close();
}
}
catch (Exception) { }
}
static void recognizer_SpeechHypothesized(object sender, SpeechHypothesizedEventArgs e)
{
System.Console.WriteLine("Hypothesized @ " + e.Result.Confidence);
}
}
}
如果名称是“Octavian”，它会识别“Octopus”、“Octagon”、“Volkswagen”和“哇，真的吗？”等内容。我可以清楚地听到相关音频剪辑的差异。任何关于让它不那么糟糕的想法都会很棒。
【问题讨论】：
-
那么你最终是如何解决你的问题的。我不确定标记的答案是否真的解决了它。你能分享什么让它变得更好。我似乎处于类似的情况，识别器只是识别很多并且具有很高的置信率。
-
标记的答案是边际改进。为了让它变得更好，我所做的是切换到 SRGS 语法，并将
元素作为第一项。然后，当我得到结果时，我将第一个单词与我的系统名称进行比较。如果不匹配，我会丢弃结果。有时我必须重复自己，但这样做实际上消除了误报。 -
感谢您抽出宝贵时间。
你的意思是像这里的 MS 例子吗？ msdn.microsoft.com/en-us/library/ms723634%28v=vs.85%29.aspx -
我很确定我在这里的问题也是解决此问题的另一种方法。 stackoverflow.com/questions/18821566/…
-
我使用了 SrgsRuleRef 类和 SrgsDocument 对象来生成我的语法。 SrgsRuleRef.Dictation 代表听写元素 - 不幸的是，这方面的文档不存在，所以我还没有想出如何将它限制为一个听写单词，但无论如何它似乎工作得很好。
标签： c# speech-recognition sapi speech-to-text noise