tensorflow - TensorFlow 音频/语音识别是否适用于多词触发关键字？

Question

相关链接:https://www.tensorflow.org/tutorials/sequences/audio_recognition

我应该如何修改我的 TensorFlow“简单音频识别”训练环境(输入样本的数量、触发关键字的选择、训练参数等)以获得对唯一触发关键字(多词或单词)的稳健识别单词)在正常对话中？

原始 TensorFlow“简单音频识别”带有 10 个单触发关键字，每个持续时间为 1 秒。为了避免在正常对话中检测到单个触发关键字并导致误报，我记录了 400 次(100 次 4 个不同的人)以下两个多词触发关键字，每次持续 1.5 秒:PLAY MUSIC，STOP MUSIC。在遵循完全相同的训练步骤并补偿代码中新的 1.5 秒持续时间后，如果发音正确，我将 100% 识别这两个多词触发关键字；然而，进一步的测试还表明，当这些触发关键字的任何工作被发音时，我在正常演讲中得到误报，例如停止 BLA BLA BLA、停止视频、播放 BLA BLA BLA、播放视频等。

感谢您的热情回复，下午

Answer 1

您应该在训练数据集中添加了垃圾语音，但不确定您是否这样做了。

对于非常长的短语，更可靠的方法是检测较小的 block 并确保它们都存在 - 即为“播放”和“音乐”设置单独的检测器。

例如，Google 在其“ok google”中分别检测“ok”和“google”，如 SMALL-FOOTPRINT KEYWORD SPOTTING USING DEEP NEURAL NETWORKS 中所述.