语音识别API在没有声音时匹配语法（Microsoft）

Question

我使用Microsoft SAPI和Kinect构建了Speech Recognition tool。

在下面的代码示例中，我加载了XML语法并启动了SpeechRecognitionEngine。

有时几乎没有声音，SpeechRecognitionEngine对一个简单的句子有很高的置信度（0.85）：“Sarah现在几点钟”

• 为什么引擎会在沉默中触发这场强烈的比赛？！
• 任何Workaroud？

这是我的main class on GitHub

我也写（法语）a blog post with dump（wav + xml）

Answer 1

我不确定你说的是哪个波形文件（从中学开始我就没说过法语）。但我认为来自你小组的这一浪潮符合条件：dump_2012_12.16_12.47.33.wav。它具有高置信度值.857，并且在音频文件中似乎没有任何语音。查看频谱图（见下文），您可以看到音频文件确实包含语音范围内的能量。

现在大多数语音识别引擎使用隐马尔可夫模型（又名HMM）来将音频矢量模式与语音匹配。今天的现有技术并不总是准确的。 HMM往往对背景噪音非常敏感。

这就是为什么今天生产的大多数语音类型功能（如Siri）都很容易说话。你需要按一个按钮，你有5秒钟的时间对着麦克风说话。他们这样做，所以他们可以确定有某种类型的语音信号。对于那些打开麦克风的系统（Kinect是我所知道的唯一一个），他们尝试使用一种回声消除形式来抑制背景音频。但即使是最先进的技术，仍然会流血。

我所知道的唯一相对简单的工作（同样不是100％）涉及编辑语法以包含垃圾规则并缩短可能的短语列表。当垃圾规则不知道该做什么时，垃圾规则会给语音引擎一个“跑回妈妈”的选项。

http://www.w3.org/TR/speech-grammar/#S2.2.3

虽然我不认为这是推荐用法，但我发现使用垃圾规则来帮助过滤背景噪音时，某些系统的表现会更好。当然，他们必须忽略垃圾回收事件。