可以将 Microsoft Bing Speech 配置为仅返回数字/字母吗？答案

【问题标题】：Can Microsoft Bing Speech be configured to return only numbers / letters?可以将 Microsoft Bing Speech 配置为仅返回数字/字母吗？
【发布时间】：2017-07-25 19:36:28
【问题描述】：

能否将 Microsoft Bing Speech API 配置为仅返回数字和字母，而不是完整的单词？

用例是翻译加拿大邮政编码。前任。 M 1 B 0 R 3. 微软可能会返回“Em 1 Be 0 Are 3”

我们的音频文件为 8000hz，使用“M-ULAW”编码。我们无法灵活地更改采样率或编码。我们正在使用“SMD”场景，但我找不到任何关于它的作用的文档。基本请求 URI：

https://speech.platform.bing.com/recognize?scenarios=smd&appid=D4D52672-91D7-4C74-8AD8-42B1D98141A5&device.os=your_device_os&version=3.0

有没有办法让 Microsoft 对此用例做出更准确的回应？

谢谢

【问题讨论】：

标签： voice-recognition microsoft-cognitive bing-speech

【解决方案1】：

您可以尝试使用Microsoft's Custom Speech Service（以前称为自定义识别智能服务，或 CRIS）来创建和使用custom language model。

guidelines for transcription of custom language models 说“常见的首字母缩略词可以作为单个实体保留，字母之间没有句点或空格，但所有其他首字母缩略词应以单独的字母写出，每个字母用一个空格分隔”并包括此示例：

Original text               After normalization
-----------------------     ---------------------------
play OU812 by Van Halen     play O U 8 1 2 by Van Halen

因此，按照他们的指南，您的自定义语言模型将是一个文件，其中每一行如下所示：

M 1 B 0 R 3

您可以根据代码的结构轻松生成包含数千个加拿大邮政编码示例的文件，其正则表达式格式如下所示：

[ABCEGHJKLMNPRSTVXY][0-9][ABCEGHJKLMNPRSTVWXYZ][0-9][ABCEGHJKLMNPRSTVWXYZ][0-9]

（以上表达式取自this answer about validating postal codes。）

通过这样做，您可以告诉识别器您希望人们说什么类型的东西，并帮助识别器在声音有多种可能性时进行选择（例如“U”与“you”）。我认为这会对您获得的结果产生巨大影响。

【讨论】：

所以我做了什么：我上传了一个包含所有加拿大邮政编码前缀（M1B、M8X、B3L 等）的换行符分隔文件，而不是语言模型数据集中所有可能的邮政编码的文件.结果仍然不完美。例如，“R 2 G”仍被转录为“R 2 C”。我认为声学语言模型可能是更好的选择，但这需要收集很多很多示例音频文件。
对了，我忘了提一下，尤其是因为您使用的是 µ-law/mu-law 编码，所以创建自己的声学模型也可能会有所帮助。我确实认为自定义语言模型将是您能做的最好的事情。一些识别系统（例如 pocketsphinx）允许您指定语法而不是统计语言模型，这也值得一试。