python - Python中的实时离线语音识别

Question

我已经使用 Python 语音识别工作了一个月的大部分时间，制作了一个类似 JARVIS 的助手。我已经将语音识别模块与 Google Speech API 和 Pocketsphinx 一起使用，并且我直接使用了 Pocketsphinx 而没有其他模块。虽然识别是准确的，但我很难处理这些包处理语音所花费的大量时间。它们的工作方式似乎是从一个静默点记录到另一个静默点，然后将录音传递给 STT 引擎。在处理录音时，无法录制其他声音以供识别，如果我尝试连续发出多个复杂命令，这可能会成为问题。

当查看 Google Assistant 语音识别、Alexa 的语音识别或 Mac OS High Sierra 的离线识别时，我看到在录音中没有任何停顿的情况下，我说出的单词被识别出来。我见过这个叫做实时识别，流式识别和逐字识别。有什么方法可以在 Python 中执行此操作，最好是离线而不使用客户端？

我尝试(未成功)通过更改 SpeechRecognition 识别器的暂停阈值、说话阈值和非说话阈值来实现此目的，但这只会导致音频奇怪地分段，并且在每次识别后仍然需要一秒钟才能记录再次。

Answer 1

Pocketsphinx 可以处理流，看这里

Python pocketsphinx recognition from the microphone

Kaldi也可以处理流(比pocketsphinx更准确)

https://github.com/alphacep/kaldi-websocket-python/blob/master/test_local.py

Google speech API 也可以处理流，看这里:

Google Streaming Speech Recognition on an Audio Stream Python