TensorFlow音频/语音识别是否可以与多单词触发关键字一起使用？

Question

相关链接：https://www.tensorflow.org/tutorials/sequences/audio_recognition

我应该如何修改TensorFlow“简单音频识别”培训环境（输入样本数量，触发关键词的选择，培训参数等），以对唯一触发关键词（多词或单词）进行可靠的识别单词）在普通对话中？

原始的TensorFlow“简单音频识别”带有10个单触发关键字，持续时间为1秒。为了避免在正常对话中检测到单个触发关键字并引起误报，我记录了以下两个多词触发关键字400次（4个不同的人乘以100倍），持续时间分别为1.5秒：PLAY MUSIC，STOP MUSIC。遵循完全相同的训练步骤并补偿了代码中新的1.5秒持续时间后，如果正确发音，我将100％识别出这两个多词触发关键字；但是，进一步的测试还表明，当这些触发关键字的任何发音（例如， STOP BLA BLA BLA，STOP VIDEO，PLAY BLA BLA BLA，PLAY VIDEO等。

感谢您的亲切回应， 下午

Answer 1

您应该将垃圾语音添加到训练数据集中，不确定是否这样做。

对于很长的短语，检测较小的块并确保它们都存在会更可靠-即为“播放”和“音乐”使用单独的检测器。

例如，如SMALL-FOOTPRINT KEYWORD SPOTTING USING DEEP NEURAL NETWORKS 中所述，Google在其“ ok google”中分别检测到“ ok”和“ google”。