C# 语音识别 - 这是用户所说的吗？

Question

我需要编写一个使用语音识别引擎的应用程序——无论是内置的 vista 引擎还是第三方引擎——它可以显示一个单词或短语，并识别用户何时阅读它（或它的近似值） ）。 我还需要能够在语言之间快速切换，而无需更改操作系统的语言。

用户将在很短的时间内使用该系统。 应用程序需要在不需要首先针对用户的声音训练识别引擎的情况下工作。

如果这可以在 Windows XP 或更低版本的 Windows Vista 上运行，那也太棒了。

可选地，系统需要能够以用户选择的语言将屏幕上的信息读回给用户。 我可以使用预先录制的画外音来解决此规范，但首选方法是使用文本到语音引擎。

有人可以为我推荐一些东西吗？

Answer 1

不久前，Joel on Software 上也有人问过类似的问题。 您可以使用System.Speech.Recognition命名空间来执行此操作...但有一些限制。 将 System.Speech（应该在 GAC 中）添加到您的项目中。 下面是 WinForms 应用程序的一些示例代码：

public partial class Form1 : Form
{
  SpeechRecognizer rec = new SpeechRecognizer();

  public Form1()
  {
    InitializeComponent();
    rec.SpeechRecognized += rec_SpeechRecognized;
  }

  void rec_SpeechRecognized(object sender, SpeechRecognizedEventArgs e)
  {
    lblLetter.Text = e.Result.Text;
  }

  void Form1_Load(object sender, EventArgs e)
  {
    var c = new Choices();
    for (var i = 0; i <= 100; i++)
      c.Add(i.ToString());
    var gb = new GrammarBuilder(c);
    var g = new Grammar(gb);
    rec.LoadGrammar(g);
    rec.Enabled = true;
  }

这将识别从 1 到 100 的数字，并在表单上显示结果数字。 您需要一个带有名为 lblLetter 的标签的表单。

System.Speech 仅适用于预先定义的单词或短语列表； 它不完全是 NaturallySpeaking，无论是在多功能性还是在识别质量上。 但是你不必训练它适应用户的声音，如果你只有一些用户可以说的不同的话，它的效果还算不错。 而且是免费的！ （如果你有 Visual Studio）

如果你使用非常短的短语，它就不会奏效； 我为我的孩子制作了一个程序，让他说出字母表中的字母并在屏幕上看到它们，但效果不佳，因为许多字母听起来很相似（尤其是从四岁孩子的嘴里说出来）。

至于更灵活的选项……嗯，还有前面提到的 NaturallySpeaking，它有一个 SDK。 但是你必须联系销售人员才能获得任何形式的访问权限，并且没有列出定价，因此它会被认为是“它需要多少钱？嗯，你有多少钱？” 种东西。 似乎没有“下载并使用它”选项。 :(

至于文本转语音， System.Speech.Synthesis 就是这样做的。 它甚至比语音识别更容易。 我写了一个小程序让我打字，按 Enter 键，然后大声朗读文本。 我四岁的孩子被它迷住了。 :)（“爸爸，我想和 da wobot 打交道。”）

Answer 2

[注意：我是 .NET 3.0 中托管语音识别 API 的开发负责人]

System.Speech 是 .NET 3.0 的一部分，因此它在 Vista 和 XP 上都可用。 在 Vista 中，您还有一个额外的好处，即操作系统预先安装了语音识别引擎。 在 XP 上，您的选择是：将 SAPI 5.1 SDK 与一个非常旧的引擎一起使用（但对于您的命令和控制场景可能足够好），安装 Office 2003，它安装了较新版本的识别器。 还有一些符合 SAPI 5 的语音识别引擎可用。

如果您需要切换语言，您将需要使用 System.Speech.Recognition.SpeechRecognitionEngine 类，它允许您为您需要支持的语言选择 SR 引擎。 请注意，引擎由它们支持的一组语言定义（它们可能使用相同的二进制文件，仅交换数据文件以支持其他语言）。

如果您需要了解更多，请发表评论。

菲利普

Answer 3

在此之前添加“演讲”参考

发现 Kyralessa 在 10 月 22 日发布的代码示例对我不起作用，但稍微修改后的版本就起作用了。 将字符串添加到 Choices 对象时，请使用全文英文单词而不是数字。 似乎 MS 语音识别引擎无法自行识别数字。

我在前面的示例中添加了一些注释来标记这些修改。

public partial class Form1 : Form
{
  SpeechRecognizer rec = new SpeechRecognizer();

  public Form1()
  {
    InitializeComponent();
    rec.SpeechRecognized += rec_SpeechRecognized;
  }

  void rec_SpeechRecognized(object sender, SpeechRecognizedEventArgs e)
  {
    lblLetter.Text = e.Result.Text;
  }

  void Form1_Load(object sender, EventArgs e)
  {
    var c = new Choices();

    // Doens't work must use English words to add to Choices and
    // populate grammar.
    //
    //for (var i = 0; i <= 100; i++)
    //  c.Add(i.ToString());

    c.Add("one");
    c.Add("two");
    c.Add("three");
    c.Add("four");
    // etc...

    var gb = new GrammarBuilder(c);
    var g = new Grammar(gb);
    rec.LoadGrammar(g);
    rec.Enabled = true;
  }

Answer 4

如果引擎是您要问的，那么我找到了（请注意，我只是列出，我还没有尝试过其中任何一个）：

Lumenvox 引擎

您还拥有来自 Microsoft 本身的SAPI SDK ，我仅尝试将其用于文本到语音，但根据其定义：

SDK 还包括可免费分发的文本转语音 (TTS) 引擎（美国英语和简体中文）和语音识别 (SR) 引擎（美国英语、简体中文和日语）。

Answer 5

请注意，如果您不需要先进行培训，就不会取得好成绩。 语音识别是语音学的统计应用，这个领域非常坦率地表示信号中存在如此多的变化，以至于任何人都能理解其他人所说的话几乎是一个奇迹。 现成的语音识别引擎很可能倾向于使用更一般的英语口音，但对于任何稍微不同的东西都会失败。

这就是为什么培训如此重要。 我们可以轻松地通过过度拟合来做得很好，特别是如果我们减少问题空间。 但是创建一个可扩展的机器学习解决方案？ 其中总是存在摩擦。

话虽如此，请考虑 Sphinx-4。 这是一个用 Java 编写的现成解决方案，可从http://cmusphinx.sourceforge.net/sphinx4/ 获得

Answer 6

查看 .NET 3.5 中的新语音类库

http://msdn.microsoft.com/en-us/library/system.speech.recognition.speechrecognizer.aspx

SR 和 TTS 的一般文档

http://msdn.microsoft.com/en-us/library/system.speech.recognition.aspx http://msdn.microsoft.com/en-us/library/system.speech.synthesis.aspx

Answer 7

Dragon Naturally speak SDK可能值得一看。 这个项目看起来很有趣。

虽然没有和他们任何一个一起玩。

Answer 8

文本到语音可通过Speech API 使用。 就我个人而言，我可能需要 Vista 并使用System.Speech.SpeechRecognition和System.Speech.Synthesis.TtsEngine的托管接口，但是如果您确实需要 XP 支持，P/Invoke 应该可以进入非托管 API。

Answer 9

试试Microsoft Speech Server ，我认为它现在是Office Communication Server 2007 的一部分。 它包含一个 SR/TTS 引擎、C# API 和与 Visual Studio 集成的工具。

Answer 10

这是来自 MSDN 杂志的文章，该文章首先讨论了使用适用于 Vista 的 System.Speech API。 其中一些已经过时了，因为 API 在测试版（撰写本文时）和 Vista 发布之间发生了变化，但这仍然是我发现的最好的资源之一，并且很好地介绍了 System.Speech 命名空间. 请参阅http://msdn.microsoft.com/en-us/magazine/cc163663.aspx

Answer 11

好吧，这个问题已经有很多很好的回答，但我认为用 2016 年文档中的一些信息更新 Rob Segal 和 Philipp Schmid 指向这个不错的代码示例的回答是很有价值的：

https://msdn.microsoft.com/en-us/library/office/system.speech.recognition.speechrecognitionengine.aspx

它没有使用 Windows 的共享识别器（显示在屏幕中间的小 Windows 麦克风），它使用了一个很好的应用程序 SpeechRecognitionEngine，不需要任何视觉提示。 用户界面完全由您控制。