Ara*_*ida 0 c++ com speech-recognition sapi
首先让我解释一下我的目标。我正在努力实现的目标是提供输入 .wav 文件，将其发送到某种语音识别 API，并返回带有转录的文本文件。我想到的应用程序非常简单。我不要求对其进行语法或标点符号解析。它可以返回一个又大又长的句子——这很好。我会将每个转录的单词视为文本文件（.tsv 或 .csv 格式）中的观察结果
然而，我确实需要的一个棘手的数据（棘手是因为我审查过的所有 3rd 方音频转录服务中 95% 不向用户提供此类数据）是 [0.00 - 1.00] 置信度得分SR 会对每个单词进行猜测。我想将该数据存储在文本文件的新列中，其中包含 .tsv 或 .csv 格式的转录文本。
就是这样。这就是我的目标。看来我的目标是可能的：这是相关帖子中专家的引用：
SAPI当然可以做你想做的事。从进程内识别器开始，将音频连接为文件流，设置听写模式，然后就可以开始了。
以下是 .wav 转录置信度分数的相关文档：
https://msdn.microsoft.com/en-us/library/jj127911.aspx
大家都说的很简单，现在我来解释一下问题；为什么我要发布问题。问题是，对我来说，我的目标遥不可及，因为我对 C++ 或 COM 几乎一无所知。我认为 SAPI 是日常 Windows 体验的一部分，并且有一个专用的、友好的用户界面。因此，我对这个程序研究得越多，就越感到震惊。但我仍然相信原则上这是一件非常简单的事情，所以我很乐观。
我有Python知识和一点JS知识。我知道 Python 对其他语言有代码魔力，所以我确信 Python 可以通过这种方式与 SAPI 交互，但由于我不懂 C++，我认为这不会让我过得更好。
所以重申一下，尽管技能不匹配，我仍然偏爱 SAPI，因为所有用户友好的替代方案，如 Dragon、Nuance、Chrome 插件等，都无法提供我需要的数据粒度。
现在让我谈谈我的问题的核心：
小智 5
这可能是不言而喻的，但我认为如果您对 C 作为一种语言没有很强的掌握，您会发现很难使用 SAPI 的 C 接口。我写了一个程序，它几乎完全符合你前一段时间所说的内容来测试这个概念。首先是代码转储：
#include "dirent.h"
#include <iostream>
#include <string>
#include <sapi.h>
#include <sphelper.h>
int main(int argc, char* argv[]){
DIR *dir;
struct dirent* entry;
struct stat* statbuf;
::CoInitialize(NULL);
if((dir = opendir(".")) != NULL){
while((entry = readdir(dir)) != NULL){
char extCheck[260];
strcpy(extCheck, entry->d_name);
if(strlen(extCheck) > 4 && !strcmp(strlwr(extCheck) + strlen(extCheck)-4, ".wav")){
//printf("%s\n",entry->d_name);
//1. Find the wav files
//2. Check the wavs to make sure they're the correct format
//3. Output any errors to the error log
//4. Produce the text files for the wavs
//5. Cleanup and exit
FILE* fp;
std::string fileName = std::string(entry->d_name,entry->d_name + strlen(entry->d_name)-4);
fileName += ".txt";
fp = fopen(fileName.c_str(), "w+");
HRESULT hr = S_OK;
CComPtr<ISpStream> cpInputStream;
CComPtr<ISpRecognizer> cpRecognizer;
CComPtr<ISpRecoContext> cpRecoContext;
CComPtr<ISpRecoGrammar> cpRecoGrammar;
CSpStreamFormat sInputFormat;
hr = cpRecognizer.CoCreateInstance(CLSID_SpInprocRecognizer);
hr = cpInputStream.CoCreateInstance(CLSID_SpStream);
hr = sInputFormat.AssignFormat(SPSF_16kHz16BitStereo);
std::string sInputFileName = entry->d_name;
std::wstring wInputFileName = std::wstring(sInputFileName.begin(), sInputFileName.end());
hr = cpInputStream->BindToFile(wInputFileName.c_str(), SPFM_OPEN_READONLY, &sInputFormat.FormatId(), sInputFormat.WaveFormatExPtr(), SPFEI_ALL_EVENTS);
hr = cpRecognizer->SetInput(cpInputStream, TRUE);
hr = cpRecognizer->CreateRecoContext(&cpRecoContext);
hr = cpRecoContext->CreateGrammar(NULL, &cpRecoGrammar);
hr = cpRecoGrammar->LoadDictation(NULL,SPLO_STATIC);
hr = cpRecoContext->SetNotifyWin32Event();
auto hEvent = cpRecoContext->GetNotifyEventHandle();
hr = cpRecoContext->SetInterest(SPFEI(SPEI_RECOGNITION) | SPFEI(SPEI_END_SR_STREAM), SPFEI(SPEI_RECOGNITION) | SPFEI(SPEI_END_SR_STREAM));
hr = cpRecoGrammar->SetDictationState(SPRS_ACTIVE);
BOOL fEndStreamReached = FALSE;
unsigned int timeOut = 0;
//WaitForSingleObject(hEvent, INFINITE);
while (!fEndStreamReached && S_OK == cpRecoContext->WaitForNotifyEvent(INFINITE)){
CSpEvent spEvent;
while (!fEndStreamReached && S_OK == spEvent.GetFrom(cpRecoContext)){
switch (spEvent.eEventId){
case SPEI_RECOGNITION:
{
auto pPhrase = spEvent.RecoResult();
SPPHRASE *phrase = nullptr;// new SPPHRASE();
LPWSTR* text = new LPWSTR(L"");
pPhrase->GetText(SP_GETWHOLEPHRASE, SP_GETWHOLEPHRASE, TRUE, text, NULL);
pPhrase->GetPhrase(&phrase);
if(phrase != NULL && phrase->pElements != NULL) {
std::wstring wRuleName = L"";
if(nullptr != phrase && phrase->Rule.pszName != NULL) {
wRuleName = phrase->Rule.pszName;
}
std::wstring recognizedText = L"";
bool firstWord = true;
for(ULONG i = 0; i < (ULONG)phrase->Rule.ulCountOfElements; ++i) {
if(phrase->pElements[i].pszDisplayText != NULL) {
std::wstring outString = phrase->pElements[i].pszDisplayText;
std::string soutString = std::string(outString.begin(), outString.end());
if(!firstWord){
soutString = " " + soutString;
firstWord = false;
}
soutString = soutString + " ";
fputs(soutString.c_str(),fp);
/*if(recognizedText != L"") {
recognizedText += L" " + outString;
} else {
recognizedText += outString;
}*/
}
}
}
delete[] text;
break;
}
case SPEI_END_SR_STREAM:
{
fEndStreamReached = TRUE;
break;
}
}
// clear any event data/object references
spEvent.Clear();
}
}
hr = cpRecoGrammar->SetDictationState(SPRS_INACTIVE);
hr = cpRecoGrammar->UnloadDictation();
hr = cpInputStream->Close();
fclose(fp);
}
}
closedir(dir);
} else {
perror("Error opening directory");
}
::CoUninitialize();
std::printf("Press any key to continue...");
std::getchar();
return 0;
}
我已经很长时间没有运行这个了，但是你必须获得 dirent.h 才能让它工作。我使用该库没有其他原因，只是为了尝试一下。
使用提供的代码，您可能可以开始查看识别步骤中生成的置信值。如果您愿意，您还可以调整它以从批处理文件运行。
我遇到的问题如下：
话虽如此，使用 Windows 桌面语音识别器并不是一件容易的事。我会看一下现有的一些 API。如果您不限于仅限客户端应用程序，那么您最好研究一下其他 API。