使用SAPI 5.3语音API进行声学培训 [英] Acoustic training using SAPI 5.3 Speech API

问题描述

在Vista上使用Microsoft的SAPI 5.3语音API，如何编程进行RecoProfile的声学模型训练？更具体地说，如果您有一个文本文件和一个说出该文本的用户的音频文件，您会执行什么序列的SAPI调用以使用该文本和音频训练用户的配置文件？

更新：

有关此问题的详细信息我仍未解决： 您在"；处调用ISpRecognizer2.SetTrainingState(true，true)，在"；处调用ISpRecognizer2.SetTrainingState(FALSE，TRUE)，在"；处调用ISpRecognizer2.SetTrainingState(FALSE，TRUE)。"；但仍不清楚这些操作相对于其他操作必须在何时发生。

例如，您必须进行各种调用以设置与您的音频匹配的文本的语法，并进行其他调用以连接音频，以及对各种对象进行其他调用以说您现在可以开始了。&但是有什么相互依赖关系--在发生什么之前必须发生什么？如果你使用音频文件而不是系统麦克风进行输入，这会不会使相对计时变得不那么宽容，因为识别器不会一直坐在那里听，直到说话人说对了？

推荐答案

实现SAPI培训相对比较困难，文档并没有真正告诉您需要了解的内容。

ISpRecognizer2::SetTrainingState将识别器切换到或切换出训练模式。

当您进入训练模式时，实际发生的情况是识别器为用户提供了更多的识别回旋余地。因此，如果你试图识别一个短语，引擎对识别的要求会低得多。

在您退出训练模式并且设置了fAdaptFromTrainingData标志之前，引擎不会真正执行任何调整。

当引擎适应时，它会扫描存储在配置文件数据下的训练音频。培训代码负责将新的音频文件放在引擎可以找到以进行调整的位置。

还必须标记这些文件，以便引擎知道所说的内容。

那么您是如何做到这一点的？您需要使用三个鲜为人知的SAPI API。特别是，您需要使用ISpRecognizer::GetObjectToken和SpObjectToken::GetStorageFileName获取配置文件令牌以正确定位文件。

最后，您还需要使用ISpTranscript生成正确标记的音频文件。

要将它们放在一起，您需要执行以下操作(伪代码)：

创建inproc识别器&&绑定适当的音频输入。

请确保保留音频以供识别；您以后会用到它。

创建包含要训练的文本的语法。

将语法状态设置为在发生识别时暂停识别器。(这也有助于从音频文件进行培训。)

发生识别时：

获取识别的文本和保留的音频。

使用CoCreateInstance(CLSID_SpStream)创建流对象。

使用ISpRecognizer::GetObjectToken和ISpObjectToken::GetStorageFileName创建训练音频文件，并将其绑定到流(使用ISpStream::BindToFile)。

将保留的音频复制到流对象中。

QIISpTranscript接口的流对象，并使用ISpTranscript::AppendTranscript将识别的文本添加到流中。

更新下一次发音的语法，恢复识别器，然后重复该操作，直到训练文本用完为止。

这篇关于使用SAPI 5.3语音API进行声学培训的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！