SAPI v5.1 帮助 SpeechRecognitionEngine 总是给出与 C# 相同的错误结果

Question

我正在研究这个 SAPI v5.1 库。所以我正在测试我拥有的示例 WAV 文件。 （从此处下载）。无论如何，该文件中的声音清晰且轻松。它只包含一个单词，即第三个单词。现在，当我运行以下代码时，我得到数字 8 或“八”。如果我删除它，我会得到 7。如果我尝试随机化列表，我会得到不同的结果，依此类推。我真的很困惑，开始认为 SAPI 库中的 SpeachRecognition 根本不起作用...

无论如何，这就是我正在做的事情，

    private void button1_Click(object sender, EventArgs e)
    {
        //Add choices to grammar.
        Choices mychoices = new Choices();
        mychoices.Add("one");
        mychoices.Add("two");
        mychoices.Add("three");
        mychoices.Add("four");
        mychoices.Add("five");
        mychoices.Add("six");
        mychoices.Add("seven");
        mychoices.Add("eight");
        mychoices.Add("nine");
        mychoices.Add("zero");
        mychoices.Add("1");
        mychoices.Add("2");
        mychoices.Add("3");
        mychoices.Add("4");
        mychoices.Add("5");
        mychoices.Add("6");
        mychoices.Add("7");
        mychoices.Add("8");
        mychoices.Add("9");
        mychoices.Add("0");

        Grammar myGrammar = new Grammar(new GrammarBuilder(mychoices));

        //Create the engine.
        SpeechRecognitionEngine reco = new SpeechRecognitionEngine();

        //Read audio stream from wav file.
        reco.SetInputToWaveFile("3.wav");
        reco.LoadGrammar(myGrammar);

        //Get the recognized value.
        reco.SpeechRecognized += new EventHandler<SpeechRecognizedEventArgs>(reco_SpeechRecognized);

        reco.RecognizeAsync(RecognizeMode.Multiple);
    }

    void reco_SpeechRecognized(object sender, SpeechRecognizedEventArgs e)
    {
        MessageBox.Show(e.Result.Text);
    }

Answer 1

您是如何创建 WAV 文件的？看起来比特率很高。识别器仅支持某些格式。尝试：

• 每个样本 8 位
• 单通道单声道
• 每秒 22,050 个样本
• PCM 编码

您有大约 3 秒的音频，文件大小为 520 KB。对于支持的格式来说这似乎太大了。

您可以使用 RecognizerInfo 类查找识别器支持的音频格式 (SupportedAudioFormats) - RecognizerInfo.SupportedAudioFormats 属性。

更新：

您的音频文件有点乱。很吵。它也是不受支持的格式。 Audacity 将其报告为立体声、44.1kHz 和 32 位浮点。我消除了开头和结尾的噪音，重新采样到 22.050kHz，删除立体声轨道，然后导出为未压缩的 8 位无符号 WAV。然后就可以正常工作了。

在我的 Windows 7 计算机上，我的默认识别器仅支持以下音频格式：

  0:
  Encodingformat = Pcm
  BitsPerSample = 8
  BlockAlign = 1
  ChannelCount = 1
  SamplesPerSecond  = 16000

  1:
  Encodingformat = Pcm
  BitsPerSample = 16
  BlockAlign = 2
  ChannelCount = 1
  SamplesPerSecond  = 16000

  2:
  Encodingformat = Pcm
  BitsPerSample = 8
  BlockAlign = 1
  ChannelCount = 1
  SamplesPerSecond  = 22050

  3:
  Encodingformat = Pcm
  BitsPerSample = 16
  BlockAlign = 2
  ChannelCount = 1
  SamplesPerSecond  = 22050

  4:
  Encodingformat = ALaw
  BitsPerSample = 8
  BlockAlign = 1
  ChannelCount = 1
  SamplesPerSecond  = 22050

  5:
  Encodingformat = ULaw
  BitsPerSample = 8
  BlockAlign = 1
  ChannelCount = 1
  SamplesPerSecond  = 22050

您还应该从语法中删除数字选项。现在识别器返回两个替代值：“三”和“3”。这可能不是你想要的。您可以在语法中使用语义结果值来返回单词“三”的数字 3。