Pocketsphinx - 完善热词检测

Question

我最近重新访问了CMU Sphinx，并尝试为Android 设置一个基本的热词检测器，从tutorial 开始并调整sample application。

我遇到了各种问题，尽管我深入研究了他们的文档，但我一直无法解决，直到我无法再阅读...

为了复制它们，我做了一个基本项目，旨在检测关键字 wakeup you 和 wakeup me 。

我的字典：

me M IY
wakeup W EY K AH P
you Y UW

我的语言模型：

\data\
ngram 1=5
ngram 2=5
ngram 3=4

\1-grams:
-0.9031 </s> -0.3010
-0.9031 <s> -0.2430
-1.2041 me -0.2430
-0.9031 wakeup -0.2430
-1.2041 you -0.2430

\2-grams:
-0.3010 <s> wakeup 0.0000
-0.3010 me </s> -0.3010
-0.6021 wakeup me 0.0000
-0.6021 wakeup you 0.0000
-0.3010 you </s> -0.3010

\3-grams:
-0.6021 <s> wakeup me
-0.6021 <s> wakeup you
-0.3010 wakeup me </s>
-0.3010 wakeup you </s>

\end\

以上两个都是使用suggested tool创建的。

还有我的关键短语文件：

wakeup you /1e-20/
wakeup me /1e-20/

改编上面链接的示例应用程序，这是我的代码：

public class PocketSphinxActivity extends Activity implements RecognitionListener {

    private static final String CLS_NAME = PocketSphinxActivity.class.getSimpleName();

    private static final String HOTWORD_SEARCH = "hot_words";

    private volatile SpeechRecognizer recognizer;

    @Override
    public void onCreate(Bundle state) {
        super.onCreate(state);
        setContentView(R.layout.main);

        new AsyncTask<Void, Void, Exception>() {
            @Override
            protected Exception doInBackground(Void... params) {
                Log.i(CLS_NAME, "doInBackground");

                try {

                    final File assetsDir = new Assets(PocketSphinxActivity.this).syncAssets();

                    recognizer = defaultSetup()
                            .setAcousticModel(new File(assetsDir, "en-us-ptm"))
                            .setDictionary(new File(assetsDir, "basic.dic"))
                            .setKeywordThreshold(1e-20f)
                            .setBoolean("-allphone_ci", true)
                            .setFloat("-vad_threshold", 3.0)
                            .getRecognizer();

                    recognizer.addNgramSearch(HOTWORD_SEARCH, new File(assetsDir, "basic.lm"));
                    recognizer.addKeywordSearch(HOTWORD_SEARCH, new File(assetsDir, "hotwords.txt"));
                    recognizer.addListener(PocketSphinxActivity.this);

                } catch (final IOException e) {
                    Log.e(CLS_NAME, "doInBackground IOException");
                    return e;
                }

                return null;
            }

            @Override
            protected void onPostExecute(final Exception e) {
                Log.i(CLS_NAME, "onPostExecute");

                if (e != null) {
                    e.printStackTrace();
                } else {
                    recognizer.startListening(HOTWORD_SEARCH);
                }
            }
        }.execute();
    }

    @Override
    public void onBeginningOfSpeech() {
        Log.i(CLS_NAME, "onBeginningOfSpeech");
    }

    @Override
    public void onPartialResult(final Hypothesis hypothesis) {
        Log.i(CLS_NAME, "onPartialResult");

        if (hypothesis == null)
            return;

        final String text = hypothesis.getHypstr();
        Log.i(CLS_NAME, "onPartialResult: text: " + text);

    }

    @Override
    public void onResult(final Hypothesis hypothesis) {
        // unused
        Log.i(CLS_NAME, "onResult");
    }

    @Override
    public void onEndOfSpeech() {
        // unused
        Log.i(CLS_NAME, "onEndOfSpeech");
    }


    @Override
    public void onError(final Exception e) {
        Log.e(CLS_NAME, "onError");
        e.printStackTrace();
    }

    @Override
    public void onTimeout() {
        Log.i(CLS_NAME, "onTimeout");
    }

    @Override
    public void onDestroy() {
        super.onDestroy();
        Log.i(CLS_NAME, "onDestroy");

        recognizer.cancel();
        recognizer.shutdown();
    }
}

注意：- 我是否应该将我选择的关键短语（和其他相关文件）更改为更加不同，并在安静的环境中测试实现，应用的设置和阈值工作非常成功。

问题

1. 当我说 wakeup you 或 wakeup me 时，两者都会被检测到。

我无法确定如何对结尾音节应用增加的权重。

1. 当我说唤醒时，通常（但不总是）两者都会被检测到。

我无法确定如何避免这种情况发生。

1. 在针对背景噪声进行测试时，误报太频繁了。

我无法降低我正在使用的基本阈值，否则在正常情况下无法始终如一地检测到关键短语。

4. 在长时间针对背景噪音进行测试时（5 分钟应该足以复制），立即返回安静的环境并说出关键短语，导致检测不到。

在成功地重复检测到关键短语之前需要一段不确定的时间 - 就好像测试是在安静的环境中开始的一样。

我找到了potentially related question，但链接不再有效。我想知道我是否应该更频繁地重置识别器，以便以某种方式将背景噪声从平均到检测阈值中重置？

5. 最后，我想知道我对有限关键词的要求是否允许我减小声学模型的大小？

在我的应用程序中打包时的任何开销当然是有益的。

最后（老实说！），特别希望@NikolayShmyrev 会发现这个问题，有没有计划完全通过 gradle 包装一个基本的 Android 实现/sdk？

感谢那些让我走到今天这一步的人......

Answer 1

我的语言模型：

你不需要语言模型，因为你不使用它。

我无法降低我正在使用的基本阈值，否则在正常情况下无法始终如一地检测到关键短语。

1e-20 是一个合理的阈值，您可以提供错误检测的示例记录，以便让我更好地了解发生了什么。

当长时间针对背景噪音进行测试时（5 分钟应该足以复制），立即返回安静的环境并说出关键短语，导致检测不到。

这是预期的行为。总体而言，长背景噪声使识别器更难快速适应音频参数。如果您的任务是在嘈杂的地方识别文字，最好使用某种硬件降噪功能，例如具有降噪功能的蓝牙耳机。

最后，我想知道我对有限关键词的要求是否允许我减小声学模型的大小？

现在不可能。如果你只是为了发现你可以试试https://snowboy.kitt.ai