Я попытался сделать простой скрипт для распознавания речи в python, используя библиотеку pocketsphinx.
Он должен работать следующим образом: он непрерывно слушает, а когда слышит определенную ключевую фразу, он вводит оператор if.
В Google и единственном примере liveSpeech с ключевой фразой это: Библиотека распознавания голоса Python - Always Listen? .
Но у него есть только 1 ключевая фраза.
Мне удалось сделать что-то, что работает, но результаты не очень хорошие. Приведенный ниже код повторяется в цикле for для каждого слова, которое я произношу, более одного раза (он повторяется для каждой гипотезы). И так как он делает это, я не могу делать ключевые фразы с более чем одним словом, что ужасно.
import os
from pocketsphinx import LiveSpeech, get_model_path
model_path = os.path.join(os.getcwd(), 'model')
liveSpeech = LiveSpeech(
verbose=False,
sampling_rate=16000,
buffer_size=2048,
no_search=False,
full_utt=False,
hmm=os.path.join(model_path, 'en-us'),
lm=os.path.join(model_path, '8415.lm'),
dic=os.path.join(model_path, '8415.dic'),
)
for phrase in liveSpeech:
print('---')
print(phrase.segments(detailed=True))
liveText = phrase.hypothesis()
print('conf', phrase.confidence())
print(phrase.hypothesis())
print('---')
if liveText == 'SIRI START MUSIC':
print('*** MUSIC ***')
elif liveText == 'SIRI READ INBOX':
print('*** READ ***')
elif liveText == 'SIRI WRITE NEW EMAIL':
print('*** WRITE ***')
Я также опубликую файлы .dic и .lm, которые я сделал для объекта LiveSpeech.
.dic
EMAIL IY M EY L
INBOX IH N B AA K S
MUSIC M Y UW Z IH K
NEW N UW
NEW(2) N Y UW
READ R EH D
READ(2) R IY D
SIRI S IH R IY
START S T AA R T
WRITE R AY T
и .lm
\1-grams:
-1.0280 </s> -0.3010
-1.0280 <s> -0.2583
-1.5051 EMAIL -0.2583
-1.5051 INBOX -0.2583
-1.5051 MUSIC -0.2583
-1.5051 NEW -0.2872
-1.5051 READ -0.2872
-1.0280 SIRI -0.2583
-1.5051 START -0.2872
-1.5051 WRITE -0.2872
\2-grams:
-0.3010 <s> SIRI 0.0000
-0.3010 EMAIL </s> -0.3010
-0.3010 INBOX </s> -0.3010
-0.3010 MUSIC </s> -0.3010
-0.3010 NEW EMAIL 0.0000
-0.3010 READ INBOX 0.0000
-0.7782 SIRI READ 0.0000
-0.7782 SIRI START 0.0000
-0.7782 SIRI WRITE 0.0000
-0.3010 START MUSIC 0.0000
-0.3010 WRITE NEW 0.0000
\3-grams:
-0.7782 <s> SIRI READ
-0.7782 <s> SIRI START
-0.7782 <s> SIRI WRITE
-0.3010 NEW EMAIL </s>
-0.3010 READ INBOX </s>
-0.3010 SIRI READ INBOX
-0.3010 SIRI START MUSIC
-0.3010 SIRI WRITE NEW
-0.3010 START MUSIC </s>
-0.3010 WRITE NEW EMAIL
те сделаны с http://www.speech.cs.cmu.edu/tools/lmtool-new.html
Я ожидал, что когда я скажу у микрофона "SIRI START MUSIC", чтобы увидеть
*** MUSIC ***
в командной строке. Но я вижу повторяющиеся слова, что-то вроде этого (уверенность, я полагаю, за слово?):
conf 0.37786707159431465
SIRI
conf 0.4968430593575863
START NEW
conf 0.2751470548287679
NEW
conf 1.0
NEW
Пожалуйста, как улучшить мой код, чтобы он работал так, как мне нужно.
Спасибо!