Google Speech API 最能识别哪些（短）词？

Question

关于 SO 的第一个问题，希望它不会离左边太远。

动机： 我正在开发（一个分支）Benoit 的 google2ubuntu 语音控制工具。

目前，要使其工作，用户必须在开始说出命令之前按热键来调用程序。 我已经实现了一个启动指令模式，其中一个守护进程（实际上是 bash 脚本）在后台持续运行，监听超过预设阈值的声音，录制 2 秒，然后将录音发送到 Google 的语音到文本 API 进行转换。 它获取返回的结果，然后检查启动指令，然后启动实际程序。

我正在寻找可被 Google API 可靠识别的启动指令。 API 返回它认为您所说内容的文本表示形式，以及表明其猜测与您的录音匹配程度的置信度。

使用它，我们可以比较不同热词的检测率： 例如，短语“okay Google”（不足为奇）非常容易识别，并定期返回类似的结果

"hypotheses": {"utterance": "Okay Google", "confidence": 0.95967352}

更通用的“好的计算机”虽然没有被认为是可靠的，但在 0.85 的平均置信水平上仍然没问题。我测试过的一些更晦涩的短语包括“okay Jarvis”（如果我们要制造一台语音控制的计算机......），不幸的是，它在一半的时间里以高置信度水平命中和错过，否则完全错过。 另一方面，“Okay Linux”根本无法识别。

问题：有谁知道 Google API 可以可靠识别什么样的短语？

好的热门词的例子是日常演讲中不常见的短语（否则我们每次交谈时都会启动程序），但“特别”足以被愚蠢的计算机识别。

Answer 1

最好使用离线关键字检测器来收听，例如最近在 CMUSphinx 中实现的 on。因此无需将所有音频流式传输到谷歌，无需保持互联网连接并且响应速度很快。关键字是可配置的，并且可以调整检测阈值。您的竞争对手已经将其集成到他们的助手中，例如Pocketsphinx Android Demo。也可以使用 python api 中的关键字定位。