语音识别

Question

由于连接到不同的API，我目前正在开发一个工具，允许我阅读所有的通知。

它工作得很好，但现在我想用一些声音命令来做一些动作。

就像当软件说“一封来自Bob的邮件”时，我想说“阅读”或“存档”。

我的软件是通过一个节点服务器运行的，目前我没有任何浏览器实现，但它可以是一个计划。

在NodeJS中，启用语音到文本的最佳方式是什么？

我在它上面看到了很多线程，但主要是使用浏览器，如果可能的话，我希望在一开始就避免这种情况。可能吗？

另一个问题是一些软件需要输入wav文件。我没有任何文件，我只是希望我的软件总是听我说什么，当我说一个命令时做出反应。

你知道我怎么做吗？

干杯

Answer 1

要识别几个命令而不将它们流到服务器，您可以使用node-pokesphinx模块。在NPM中可用。

识别continuos流中少数命令的代码如下所示：

var fs = require('fs');

var ps = require('pocketsphinx').ps;

modeldir = "../../pocketsphinx/model/en-us/"

var config = new ps.Decoder.defaultConfig();
config.setString("-hmm", modeldir + "en-us");
config.setString("-dict", modeldir + "cmudict-en-us.dict");
config.setString("-kws", "keyword list");
var decoder = new ps.Decoder(config);

fs.readFile("../../pocketsphinx/test/data/goforward.raw", function(err, data) {
    if (err) throw err;
    decoder.startUtt();
    decoder.processRaw(data, false, false);
    decoder.endUtt();
    console.log(decoder.hyp())
});

您只需从麦克风读取数据并将其传递给识别器，而不是readFile。要检测的关键字列表应如下所示：

read it /1e-20/
archive it /1e-20/

有关使用pocketsphinx定位的更多详细信息，请参阅语音中的关键词定位和使用pocketsphinx识别多个关键词

Answer 2

要将音频数据输入到应用程序中，您可以尝试使用类似麦克风的模块，我还没有使用过它，但它看起来很有希望。这可能是一种避免使用浏览器进行音频输入的方法。

要进行实际的语音识别，您可以使用IBM Watson Developer Cloud的语音到文本服务。此服务支持websocket接口，因此您可以使用全双工服务，将音频数据传输到云端，并返回结果转录。您可能需要考虑实现一种启动检测的形式，以避免向服务发送大量（相对）的静默-这样，您可以停留在自由层中。

还有一个文本到语音的服务，但听起来您已经为工具的这一部分找到了解决方案。

披露：我是IBM沃森的福音传道者。

Answer 3

这两个答案都很好，但我想你要找的是索纳斯。它照顾音频编码和流为您。它总是离线监听可定制的热词（如Siri或Alexa）。您还可以以编程方式触发监听。与一个模块相结合，例如，您可以通过执行以下操作来启用您的示例：

say.speak('One mail from Bob', function(err) {
  Sonus.trigger(sonus, 1) //start listening
});

您还可以使用不同的热词以不同的方式处理随后识别的语音。例如：
"通知。最近的。”和“发送消息。你今天怎么样"

把它放在桌上带麦克风的Pi或芯片上，你就有了一个私人助理，可以读取你的通知并对命令做出反应。

简单示例：
https://twitter.com/_evnc/status/811290460174041090

稍微复杂一点：
https://youtu.be/pm0F_WNoe9k?t=20s

全留档：
https://github.com/evancohen/sonus/blob/master/docs/API.md

免责声明：这是我的项目：）