как найти слово, произнесенное в речи в python

Question

Я работаю над обнаружением триггерных слов, таких как "Привет, Сири", "Хорошо, Google" и т. Д. c в Python. Мой подход заключается в записи триггера и некоторых выходных слов в WAV-файлы. Затем прочитайте их и извлеките функции, используя pyAudioAnalysis. Наконец, я сравниваю косинусное сходство свойств триггерного слова с функциями, извлеченными для скользящего окна на выходе. Проблема заключается в том, что для точно таких же слов код приведен ниже:

def match_transcription(tar,out):
    "returns list of correlations where both audio transcriptions match"
    print(tar.shape)  # trigger word's features (34,num of frames)
    print(out.shape)  # output sound's features (34,num of frames)
    sims=[]  # will have similarities for all features, for all chunks
    for i in range(tar.shape[0]):   # loop over all features
        chunk_tar=tar[i]  # pick one feature from target
        chunk_out=out[i]   # pick same feature from output
        sims1=[]
        chunk_outs=window(chunk_out,tar.shape[1])  # generate sliding window for ouput features

        for chunk in chunk_outs:  # loop over all output features
            sim = 1 - spatial.distance.cosine(chunk, chunk_tar)   # calculate cosine similarity between target and output features
            sims1.append(sim)   # add similarities to list
        sims.append(np.array(sims1))
    sims=np.array(sims)
    means=np.mean(sims,axis=0)  # take mean of all frames features
    print(sims)
    print(means)

вывод выглядит так:

Mean Similarity:  [0.25522565 0.25120983 0.25925772 0.27925796 0.28873657 0.289228
 0.3081794  0.3477496  0.33269364 0.34055122 0.34868945 0.33925324
 0.34162649 0.32976345 0.32332807 0.33668049 0.34458411 0.36058285
 0.37208687 0.37574359 0.400042   0.40289759 0.3872925  0.35079805
 0.36320806 0.36803756 0.35871608 0.35921478 0.36508046 0.39065785
 0.40899824 0.43283008 0.43767465 0.42003872 0.41108351 0.41531505
 0.39725584 0.38569253 0.35555717 0.36983754 0.37081652 0.39188315]

Выход показывает, что все скользящие windows выходных имеют очень мало сходства со словом триггера, где произносились одни и те же слова.

Функция извлечения одинакова для слов триггера и звуков вывода, таких как:

def get_features(f_name):
    "returns short term features from the audio"
    [Fs, x] = audioBasicIO.readAudioFile(f_name)
    F, f_names = stFeatureExtraction(x, Fs, 0.050*Fs, 0.025*Fs)
    return F,f_names
F1,f1_names=get_features('trigger_word.wav')  # done for all output sounds as well

У меня вопрос, какой из 34 какие функции имеют отношение к проверке сходства между триггерными словами и выходными звуками? Или есть какой-либо другой способ выполнения той же работы в python. Спасибо!