一种不太聪明的电话语音识别方案

现如今ASR(语音识别技术)发展到什么阶段我不清楚，但识别率肯定是达不到100%的，识别率跟你所采用的识别模型，声音样本丰富程度，和语音文件的音质有关。 如果普通话标准，且语音文件质量可以的情况下，主流的几大厂商识别结果还是比较准确的，比如手机的语音输入法，语音控制，基本上可以达到97%的准确率。 但电话的语音识别比较尴尬，基本上现在运营商的通话线路都是压缩为8000Hz的采样率，再加上现场环境噪音，网络波动影响，口音问题等等，导致电话中的语音识别准确率普遍不高。

现实问题如此，那么有没有什么办法可以提高电话中识别的准确率呢？ 我有一个不太聪明的办法。

现在普遍的电话语音识别，基本上都是根据识别结果，来匹配预设的关键词。(那些所谓标榜智能电话，用到NLP技术的，我就纳闷你连基本的识别准确度都还没解决呢，谈什么NLP。)

但是电话中的诸多影响因素导致识别准确度较低。比如：

1. “您好”, “你好” 这种的还算一个意思。
2. “我在仁和”，”我在人和”，这就完全是两个地方了，但这种的发音还是一样的。
3. “我要几家”，”我要寄件”，这两个既不是同一个意思，发音也不一样了，但总归发音还是有接近之处。

针对这三种情况，我的不太聪明的办法就是：
第一种，做同义词库

第二种，转拼音来匹配

第三种，转拼音后，计算拼音相似度，根据多个词最终相似度的对比，以及不同字数的关键词设置阈值，来计算出最符合的那一个结果。

把三种方法结合后：
例如语音说： “你好，我在人和，我想要联系快递点，有很多货要寄件”。
语音识别结果： 您好，我在仁和，我想要练习，快点，有很多活，要几家

关键词： 你好，人和，快递点，寄件，

1，先根据关键词的同义词库，来匹配一遍，得出命中关键词，你好。
2，把识别结果和关键词用中文分词库来分词(有一些开源的可选)，将分词后的词都转为拼音。
3，用每一个关键词去匹配识别结果的分词，根据相似度计算出一个分数。由于字数多少的关键词匹配度不尽相同，例如  “很多家” 和“恒大” 这样的三个字和两个字我们要区别对待，一般来说，如果两个关键词匹配度一样，往往字数多的那一个更加贴合实际，所以我们要给不同字数来设定一个”系数”和”阈值”，系数用来参与计算最终符合的那个词，阈值用于决定达到多少相似度才算命中关键词。 例如我们给两个字的关键词设置阈值为85， 如果最终匹配的相似度不足85，则表示没有命中该关键词，具体不同字数的关键词的阈值，需要一些样本数据来统计。
4，实际场景中，由于关键词也有优先度，例如”寄件”属于业务词，可能重要级高于”几家”，再比如”不是的”肯定比”是的”更优先，虽然”不是的”包含了”是的”，但说话的意思是前一个。所以根据词的属性，例如 疑问词，肯定词，否定词，或者按照行业特性来分类的价格词，方案词，服务词。 我们给这些不同的词配一个权重值。

那么最终一个关键词的得分是 匹配度的得分*系数*权重，最后从命中关键词中选出得分最高的，即最符合实际意思的那一个或多个词。

嘛。。。现如今，总体感觉如下：