Pocketsphinx

Question

我重新访问了 CMU Sphinx recently and attempted to set up a basic hot-word detector for Android, starting from the tutorial and adapting the sample application。

我遇到了各种问题，尽管深入研究了他们的文档，但我一直无法解决这些问题，直到我无法阅读更多...

为了复制它们，我做了一个基本项目，旨在检测关键字 wakeup you 和 叫醒我.

我的词典：

me M IY
wakeup W EY K AH P
you Y UW

我的语言模型：

\data\
ngram 1=5
ngram 2=5
ngram 3=4

-grams:
-0.9031 </s> -0.3010
-0.9031 <s> -0.2430
-1.2041 me -0.2430
-0.9031 wakeup -0.2430
-1.2041 you -0.2430

-grams:
-0.3010 <s> wakeup 0.0000
-0.3010 me </s> -0.3010
-0.6021 wakeup me 0.0000
-0.6021 wakeup you 0.0000
-0.3010 you </s> -0.3010

-grams:
-0.6021 <s> wakeup me
-0.6021 <s> wakeup you
-0.3010 wakeup me </s>
-0.3010 wakeup you </s>

\end\

以上两个都是使用 suggested tool.

创建的

我的关键短语文件：

wakeup you /1e-20/
wakeup me /1e-20/

调整上面链接的示例应用程序，这是我的代码：

public class PocketSphinxActivity extends Activity implements RecognitionListener {

    private static final String CLS_NAME = PocketSphinxActivity.class.getSimpleName();

    private static final String HOTWORD_SEARCH = "hot_words";

    private volatile SpeechRecognizer recognizer;

    @Override
    public void onCreate(Bundle state) {
        super.onCreate(state);
        setContentView(R.layout.main);

        new AsyncTask<Void, Void, Exception>() {
            @Override
            protected Exception doInBackground(Void... params) {
                Log.i(CLS_NAME, "doInBackground");

                try {

                    final File assetsDir = new Assets(PocketSphinxActivity.this).syncAssets();

                    recognizer = defaultSetup()
                            .setAcousticModel(new File(assetsDir, "en-us-ptm"))
                            .setDictionary(new File(assetsDir, "basic.dic"))
                            .setKeywordThreshold(1e-20f)
                            .setBoolean("-allphone_ci", true)
                            .setFloat("-vad_threshold", 3.0)
                            .getRecognizer();

                    recognizer.addNgramSearch(HOTWORD_SEARCH, new File(assetsDir, "basic.lm"));
                    recognizer.addKeywordSearch(HOTWORD_SEARCH, new File(assetsDir, "hotwords.txt"));
                    recognizer.addListener(PocketSphinxActivity.this);

                } catch (final IOException e) {
                    Log.e(CLS_NAME, "doInBackground IOException");
                    return e;
                }

                return null;
            }

            @Override
            protected void onPostExecute(final Exception e) {
                Log.i(CLS_NAME, "onPostExecute");

                if (e != null) {
                    e.printStackTrace();
                } else {
                    recognizer.startListening(HOTWORD_SEARCH);
                }
            }
        }.execute();
    }

    @Override
    public void onBeginningOfSpeech() {
        Log.i(CLS_NAME, "onBeginningOfSpeech");
    }

    @Override
    public void onPartialResult(final Hypothesis hypothesis) {
        Log.i(CLS_NAME, "onPartialResult");

        if (hypothesis == null)
            return;

        final String text = hypothesis.getHypstr();
        Log.i(CLS_NAME, "onPartialResult: text: " + text);

    }

    @Override
    public void onResult(final Hypothesis hypothesis) {
        // unused
        Log.i(CLS_NAME, "onResult");
    }

    @Override
    public void onEndOfSpeech() {
        // unused
        Log.i(CLS_NAME, "onEndOfSpeech");
    }


    @Override
    public void onError(final Exception e) {
        Log.e(CLS_NAME, "onError");
        e.printStackTrace();
    }

    @Override
    public void onTimeout() {
        Log.i(CLS_NAME, "onTimeout");
    }

    @Override
    public void onDestroy() {
        super.onDestroy();
        Log.i(CLS_NAME, "onDestroy");

        recognizer.cancel();
        recognizer.shutdown();
    }
}

注意:- 我是否应该更改我选择的关键短语（和其他相关文件）以使其更加不同并且我在安静的环境、设置和阈值中测试实施申请工作非常成功。

问题

当我说 唤醒你 或 唤醒我 时，两者都会被检测到。

我无法确定如何对结束音节应用增加的权重。

当我说只是唤醒时，通常（但不总是）两者都会被检测到。

我无法确定如何避免这种情况的发生。

针对背景噪音进行测试时，误报太频繁了。

我无法降低我正在使用的基本阈值，否则在正常情况下无法始终如一地检测到关键短语。

如果长时间针对背景噪音进行测试（5 分钟应该足以复制），立即返回安静的环境并说出关键短语，则不会检测到。

在成功并重复检测到关键短语之前需要一段不确定的时间——就好像测试是在安静的环境中开始的。

我找到了 potentially related question，但链接不再有效。我想知道我是否应该更频繁地重置识别器，以便以某种方式将背景噪音从平均化到检测阈值中重置？

最后，我想知道我对有限关键词的要求是否允许我减小声学模型的大小？

在我的应用程序中打包时的任何开销当然是有益的。

最后（老实说！），特别希望 @NikolayShmyrev 能发现这个问题，有没有计划完全通过 [=94= 包装一个基础 Android implementation/sdk ]?

我感谢那些走到这一步的人...

Answer 1

My language model:

您不需要语言模型，因为您不使用它。

I can't lower the base thresholds I am using, otherwise the keyphrases are not detected consistently under normal conditions.

1e-20 是一个合理的阈值，您可以提供错误检测的样本记录，让我更好地了解发生了什么。

When testing against background noise for a long period (5 minutes should be sufficient to replicate), returning immediately to a quiet environment and uttering the keyphrases, results in no detection.

这是预期的行为。总的来说，长背景噪声使识别器更难快速适应音频参数。如果你的任务是在嘈杂的地方识别单词，最好使用某种硬件降噪，例如带有降噪功能的蓝牙耳机。

Finally, I wonder if my requirements for limited keyphrases, would allow me to reduce the size of the acoustic model?

现在不可能了。如果你只是为了发现你可以尝试 https://snowboy.kitt.ai

Pocketsphinx - 完善热词检测

Pocketsphinx - perfecting hot-word detection

android

voice-recognition

cmusphinx

pocketsphinx-android