Microsoft Cognitive Services (3) - 在你的app中直接加入語音辨識
時代真的不一樣了。
我還記得剛使用iPhone的時候，那個著名的Siri，辨識我說話的效果不是很好，但因為我常常需要做語音筆記，並且轉到待辦事項或是行事曆紀錄裡面。因此，我下載了另一個叫做Dragon Dictation的app，哇，用起來驚為天人，辨識率出奇的好，讓我龍心大悅大開眼界。這，已經是幾年前的事情了。
直到最近，自己有需要在開發App時導入語音辨識，才開始又survey起相關的套件，萬萬沒想到，怎麼現在做語音辨識可以簡單成這樣?
語音辨識真的不是新玩意兒了，早幾年前微軟就已經推出過text/speech之間的轉換工具，但辨識率(特別是對中文的支援)依舊是大家是否會採用的關鍵，沒想到幾年不見，現在Cognitive Services中的Speech Recognition已經有非常好的成效，不僅僅辨識率高，也支援中文，還有提供C#、android、iOS、javascript…等等等的sdk，都開放成這樣了，如果再不用那就是對不起自己了。
現在要使用此服務，非常的簡單，參考本系列第一篇，先申請好key之後，在你的專案中引入nuget package，然後就可以直接用了:
接著，我們來看程式碼的寫法:
請先建立一個全域的micClient物件，該物件可以從SpeechRecognitionServiceFactory靜態類別的CreateMicrophoneClient方法產生，可用來直接access我們電腦的麥克風，並進行收音並且開始辨識。
記得建立該物件的instance時要傳入辨識方法(SpeechRecognitionMode.LongDictation)與語言地區(zh-TW)等參數，當然也少不了key。
接著，我們hook幾個事件，分別是:
- OnMicrophoneStatus : micClient狀態發生改變時
- OnPartialResponseReceived : 部分辨識完成時
- OnResponseReceived : 整段語句辨識完成時
- OnConversationError : 發生錯誤時
顯而易見的，你可以在OnResponseReceived 事件發生時，抓取辨識結果，因此我們聚焦在這個事件的Event handler(其他幾個事件你不hook也行)。
別忘了最後要呼叫StartMicAndRecognition方法。
剛才說到，主要還是OnResponseReceived 這個事件，你會發現，開發人員可以透過回傳的SpeechResponseEventArgs參數，來取得相關的結果：
上面的程式碼中先判斷了目前正在進行的語音辨識的狀態，如果一句話告一段落，或是Timeout，則我們透過非同步的方式呼叫了MicClient的EndMicAndRecognition結束辨識動作。
但重點其實最後一行，我們如何抓取辨識的結果?
抓取辨識結果的方式很簡單，你可以透過SpeechResponseEventArgs參數e中的Results屬性取得，該屬性指向一個陣列，該陣列會回傳幾組最佳的辨識結果(如果有的話)，而每一組辨識結果的型別則是RecognizedPhrase，該物件有底下幾個屬性：
其中Confidence則辨識結果可信度，共有none, low, normal, high等四種可能，而DisplayText、LexicalForm、InverseTextNormalizationResult、MaskedInverseTextNormalizationResult都是辨識的結果，但用途不同，依般來說，如果顯示給用戶看可以直接採用DisplayText，而LexicalForm適合作為程式判斷用途。另外兩個是把辨識結果中的某些短字詞做了替換，詳細說明請參考底下這裡:
https://staging.www.projectoxford.ai/Files/Doc/Speech/Windows/html/cbd61214-dc0f-a674-273a-751145514068.htm
OK，透過這組服務，辨識一段話變得非常容易:
你可以在這邊看到微軟提供的相關範例完整程式碼。
留言