是否可以將實時數據發送到Bing語音識別？

我正在編寫一個應用程序，該應用程序應接收音頻並將其發送到Bing Recognition API以獲取文本。我使用了服務庫，它與一個wav文件一起工作。所以我寫了自己的流類來接收來自麥克風或網絡（RTP）的音頻，並將其發送到識別API。當我在音頻流的前面添加一個WAV標題時，它可以工作幾秒鐘。是否可以將實時數據發送到Bing語音識別？

調試所示，爲識別API讀取形式流快於它是由音頻源（16K採樣率，16位，單聲道）填充。

所以我的問題是：有沒有使用識別API和實時（連續）音頻流的方法嗎？

我知道有一個麥克風客戶機的示例，但它只有麥克風工作以及我需要它不同的來源。

來源

2016-12-12 H.G. Sandhagen

你只是想在實時發送音頻，並取回結果有人在說話？或者你想發送一個任意長的音頻流？也許如果你鏈接到麥克風的例子，你的問題會更清楚。 –

我想在實時發送音頻以獲得部分結果。原則上類似於示例文件夾中的[麥克風示例]（https://github.com/Microsoft/Cognitive-Speech-STT-Windows），但適用於不同的來源（例如RTP）。但我希望我找到了一個解決方案（必須做更多的測試）。如果有效，我會用描述創建一個答案。 –

如果您想使用麥克風以外的來源，則可以使用DataRecognitionClient類，方法是調用SpeechRecognitionServiceFactory的CreateDataClient方法。獲得客戶端對象後，您可以從任何來源獲取音頻 - 麥克風，網絡，從文件中讀取數據等 - 並將其發送到客戶端的SendAudio方法進行處理。當您收到每個音頻緩衝區時，您將撥打SendAudio的新電話。

當您正在通過SendAudio發送音頻時，您將以客戶端OnPartialResponse事件的形式實時（或關閉）接收部分識別結果。

當您完成發送音頻，你發出信號，告知您已經準備好通過調用EndAudio最終的識別結果的客戶端。然後，您應該收到包含最終識別假設的客戶的事件OnResponseReceived。

來源

2016-12-20 18:57:18

聽起來不錯。我會測試這個。 –

它的工作原理！現在我爲客戶端DLL（Microsoft.ProjectOxford.SpeechRecognition）和AutioStream類（參見上面的答案）也爲服務庫（Microsoft.Bing.Speech）提供瞭解決方案。 –

，我發現我的問題的解決方案。我寫了一個繼承自流的類AudioStream，它緩衝輸入並等待Read方法被調用並且其緩衝區爲空時等待。這防止了識別器停止，因爲所讀取的方法總是返回一個值> 0 下面是這個類的重要組成部分的代碼：

public class AudioStream : Stream { 
private AutoResetEvent _waitEvent = new AutoResetEvent(false); 

internal void AddData(byte[] buffer, int count) { 
    _buffer.Add(buffer, count); 
    // Enable Read 
    _waitEvent.Set(); 
} 
public override int Read(byte[] buffer, int offset, int count) { 
    int readCount = 0; 
    if ((_buffer.Empty) { 
     // Wait for input 
     _waitEvent.WaitOne(); 
    } 
    ...... 
    // Fill buffer from _buffer; 

    _waitEvent.Reset(); 
    return length; 
} 
protected override void Dispose(bool disposing) { 
    // Make sure, that there is no waiting Read 
    // Clear buffer, dispose wait event etc. 
} 
......

}

由於音頻數據被接收汽車無，讀取方法不會「掛起」超過一些毫秒（例如RTP包全部收到20毫秒）。

來源

2016-12-20 18:01:57

不錯！如有疑問，請發揮創意。我很抱歉認爲這是一個僵局。 –

添加關於此主題的其他支持信息：流實現必須支持併發讀/寫操作，並在沒有數據時阻塞。

來源

2016-12-30 00:25:24 Patrick

是否可以將實時數據發送到Bing語音識別？

回答

相關問題