ios - SFSpeechRecognizer - 检测话语结束

Question

我正在使用 iOS 10 内置语音识别来破解一个小项目。我使用设备的麦克风得到了工作结果，我的语音被非常准确地识别。

我的问题是为每个可用的部分转录调用识别任务回调，我希望它检测停止说话的人并调用回调并将 isFinal 属性设置为真的。它没有发生 - 应用程序正在无限期地监听。

SFSpeechRecognizer 是否能够检测句末？

这是我的代码 - 它基于在 Internet 上找到的示例，它主要是从麦克风源识别所需的样板。我通过添加识别 taskHint 对其进行了修改。我还将 shouldReportPartialResults 设置为 false，但它似乎已被忽略。

    func startRecording() {

    if recognitionTask != nil {
        recognitionTask?.cancel()
        recognitionTask = nil
    }

    let audioSession = AVAudioSession.sharedInstance()
    do {
        try audioSession.setCategory(AVAudioSessionCategoryRecord)
        try audioSession.setMode(AVAudioSessionModeMeasurement)
        try audioSession.setActive(true, with: .notifyOthersOnDeactivation)
    } catch {
        print("audioSession properties weren't set because of an error.")
    }

    recognitionRequest = SFSpeechAudioBufferRecognitionRequest()
    recognitionRequest?.shouldReportPartialResults = false
    recognitionRequest?.taskHint = .search

    guard let inputNode = audioEngine.inputNode else {
        fatalError("Audio engine has no input node")
    }

    guard let recognitionRequest = recognitionRequest else {
        fatalError("Unable to create an SFSpeechAudioBufferRecognitionRequest object")
    }

    recognitionRequest.shouldReportPartialResults = true

    recognitionTask = speechRecognizer?.recognitionTask(with: recognitionRequest, resultHandler: { (result, error) in

        var isFinal = false

        if result != nil {
            print("RECOGNIZED \(result?.bestTranscription.formattedString)")
            self.transcriptLabel.text = result?.bestTranscription.formattedString
            isFinal = (result?.isFinal)!
        }

        if error != nil || isFinal {
            self.state = .Idle

            self.audioEngine.stop()
            inputNode.removeTap(onBus: 0)

            self.recognitionRequest = nil
            self.recognitionTask = nil

            self.micButton.isEnabled = true

            self.say(text: "OK. Let me see.")
        }
    })

    let recordingFormat = inputNode.outputFormat(forBus: 0)
    inputNode.installTap(onBus: 0, bufferSize: 1024, format: recordingFormat) { (buffer, when) in
        self.recognitionRequest?.append(buffer)
    }

    audioEngine.prepare()

    do {
        try audioEngine.start()
    } catch {
        print("audioEngine couldn't start because of an error.")
    }

    transcriptLabel.text = "Say something, I'm listening!"

    state = .Listening
}

Answer 1

当用户按预期停止说话时，isFinal 标志似乎没有变为真。我猜这是 Apple 想要的行为，因为“用户停止说话”事件是未定义的事件。

我认为实现目标的最简单方法是执行以下操作:

• 你必须建立一个“沉默的间隔”。这意味着如果用户没有说话的时间超过你的间隔，他就停止说话了(即 2 秒)。

• 在 Audio Session 开始时创建一个计时器:

var timer = NSTimer.scheduledTimerWithTimeInterval(2, target: self, selector: "didFinishTalk", userInfo: nil, repeats: false)

复制代码

• 当您在 recognitionTask 中获得新的转录时，使计时器失效并重新启动

  timer.invalidate()
timer = NSTimer.scheduledTimerWithTimeInterval(2, target: self, selector: "didFinishTalk", userInfo: nil, repeats: false)

• 如果计时器到期，这意味着用户在 2 秒后不再说话。您可以安全地停止 Audio Session 并退出