Быстрое распознавание голоса для ограниченного количества команд

Question

Есть ли у кого-нибудь опыт программирования распознавания голоса на C++ (Windows и/или Mac) для ограниченного количества команд, предназначенных для SPEED? Насколько реалистично на данный момент добиться распознавания команды из первого слога, т. Е. Команда распознается временем, когда пользователь получает второй слог при достаточно быстром темпе речи? Все команды будут запрограммированы на запуск с другим слогом, если необходимо, радикально отличающимся (например, «oo», «xy», «fay» - потребуется только около 30 команд). Аналогичные вопросы заданы, но это быстро движущееся поле. Будет ли лучшая идея искать библиотеки с открытым исходным кодом или взаимодействовать с компилируемыми реализациями?

Answer 1

Я профессионально работаю в этой области, и я серьезно сомневаюсь, возможно ли это вообще. C++ не проблема, вопрос в том, разрешает ли компьютер. Частота ошибок на небольших аудиоклипах велика, это скрытая марковская модель, которая фиксирует распознавание. Но в вашем случае вы просто не можете прокормить его достаточными данными.

Не то, чтобы люди могли это сделать. Обработка речи происходит не так быстро, как ваш мозг заставляет вас поверить.

Answer 2

Вы можете сделать это с помощью CMUSphinx с декодером Pocketsphinx.

Частичная гипотеза декодирования доступна во время процесса распознавания, и вы можете обычно получить первый слог, как только он будет произнесен. Если вы дадите 0.1s для стабилизации (не видно для пользователя), вы получите точные результаты в наборе команд.

В верхней части CMUSphinx предусмотрены даже инструменты, специально предназначенные для управления в реальном времени, например, в играх, вы можете проверить InProTK и их демонстрации.