Ergebnisse der Schlüsselworterkennung

Der Service gibt die Ergebnisse der Erkennung in einem Feld keywords_result im Array results zurück. Das Feld keywords_result enthält ein Wörterverzeichnis oder ein assoziatives Array der aufzulistenden Merkmale. Jedes Merkmal wird durch ein angegebenes Schlüsselwort identifiziert und enthält ein Array von Objekten. Der Service gibt für jede gefundene Übereinstimmung mit dem Schlüsselwort ein Element des Arrays zurück. Das Objekt für jede Übereinstimmung enthält die folgenden Felder:

• normalized_text ist das angegebene Schlüsselwort, normalisiert auf den gesprochenen Ausdruck, der in den Audioeingabedaten als Übereinstimmung erkannt wurde.
• start_time ist der Startzeitpunkt der Übereinstimmung, angegeben in Sekunden.
• end_time ist der Endzeitpunkt der Übereinstimmung, angegeben in Sekunden.
• confidence ist der vom Service ermittelte Konfidenzwert für die Übereinstimmung mit dem angegebenen Schlüsselwort. Der Konfidenzwert muss größer-gleich dem angegebenen Schwellenwert sein, damit die Übereinstimmung in die Ergebnisse aufgenommen wird.

Ein Schlüsselwort, für das der Service keine Übereinstimmungen findet, wird nicht in das Array eingetragen. In den folgenden Fällen wird möglicherweise kein Schlüsselwort gefunden:

• Das Schlüsselwort kommt in den Audiodaten nicht vor. Das Fehlen des Schlüsselworts ist der offensichtlichste Grund.

• Der festgelegte Schwellenwert ist zu hoch. Wenn der Service einen zu niedrigen Konfidenzwert für das Schlüsselwort ermittelt, wird die gefundene Übereinstimmung nicht in die Ergebnisse eingetragen.

• Eine gesprochene Schlüsselwortzeichenfolge mit mehreren Tokens (z. B. Speech to Text) enthält zu viele Sprechpausen zwischen den Tokens. Beim Transkribieren der Audiodaten zerteilt der Service den Datenstrom in eine Reihe von Blöcken. Jeder Block besteht aus einem zusammenhängenden Segment der Audiodaten, das keine Sprechpause enthält, die länger als eine halbe Sekunde ist. Als Ergebnis wird ein Array von Objekten erstellt, das aus diesen Blöcken besteht.

  Der Service erkennt ein Schlüsselwort mit mehreren Tokens nur in den folgenden Fällen als Übereinstimmung:

  • Die Tokens des Schlüsselworts sind im selben Block enthalten.
  • Die Tokens folgen lückenlos aufeinander oder die Lücken sind nicht länger als 0,1 Sekunde.

  Im letzteren Fall kann ein kurzes Füllwort oder eine nicht lexikalische Äußerung (z. B. 'hmm' oder 'naja') zwischen zwei Tokens des Schlüsselworts liegen. In diesem Fall kann in Modellen der vorherigen Generation an dieser Stelle des Transkripts eine Verzögerungsmarkierung eingefügt werden. Modelle der nächsten Generation berücksichtigen die tatsächliche Unentschlossenheit in den Transkriptionsergebnissen. Weitere Informationen finden Sie unter "Sprachzögern und Zögerzeichen ".

Beispiel für Schlüsselworterkennung

In der folgenden Beispielanforderung wird der Parameter keywords auf ein URL-codiertes Array mit drei Zeichenfolgen (colorado, tornadound tornadoes) und der Parameter keywords_threshold auf 0.5 gesetzt:

IBM Cloud

curl -X POST -u "apikey:{apikey}" \
--header "Content-Type: audio/flac" \
--data-binary @{path}audio-file.flac \
"{url}/v1/recognize?keywords=colorado%2Ctornado%2Ctornadoes&keywords_threshold=0.5"

IBM Cloud Pak for Data IBM Software Hub

curl -X POST \
--header "Authorization: Bearer {token}" \
--header "Content-Type: audio/flac" \
--data-binary @{path}audio-file.flac \
"{url}/v1/recognize?keywords=colorado%2Ctornado%2Ctornadoes&keywords_threshold=0.5"

Der Service findet entsprechende Vorkommen von colorado und tornadoes:

{
  "result_index": 0,
  "results": [
    {
      "keywords_result": {
        "colorado": [
          {
            "normalized_text": "Colorado",
            "start_time": 4.94,
            "confidence": 0.91,
            "end_time": 5.62
          }
        ],
        "tornadoes": [
          {
            "normalized_text": "tornadoes",
            "start_time": 1.52,
            "confidence": 1.0,
            "end_time": 2.15
          }
        ]
      },
      "alternatives": [
        {
          "confidence": 0.96,
          "transcript": "several tornadoes touch down as a line of
severe thunderstorms swept through Colorado on Sunday "
        }
      ],
      "final": true
    }
  ]
}

Ergebnisse für Wortalternativen

Der Service gibt die Ergebnisse der Erkennung in einem Feld word_alternatives im Array results zurück. Das Feld word_alternatives ist ein Array mit Objekten, die jeweils die folgenden Felder für eine Wortalternative enthalten:

• start_time gibt den Zeitpunkt in Sekunden an, an dem das Wort, für das Hypothesen zurückgegeben werden, in den Audioeingabedaten beginnt.
• end_time gibt den Zeitpunkt in Sekunden an, an dem das Wort, für das Hypothesen zurückgegeben werden, in den Audioeingabedaten endet.
• alternatives ist ein Array mit Hypothesenobjekten. Jedes Objekt enthält ein Element confidence, das das vom Service ermittelte Konfidenzniveau für die Hypothese angibt, und ein Element word, das die Hypothese angibt. Der Konfidenzwert muss größer-gleich dem angegebenen Schwellenwert sein, damit die Übereinstimmung in die Ergebnisse aufgenommen wird. Der Service sortiert die Alternativen nach Konfidenzwert.

Beispiel für Wortalternativen

In der folgenden Beispielanforderung wird ein eher niedriger Schwellenwert (word_alternatives_threshold) von 0.10 angegeben. Die einfachen Audioeingabedaten enhalten Wörter mit gängigen Homonymen und verschiedene mögliche akustische Interpretationen.

IBM Cloud

curl -X POST -u "apikey:{apikey}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize?word_alternatives_threshold=0.10"

IBM Cloud Pak for Data IBM Software Hub

curl -X POST \
--header "Authorization: Bearer {token}" \
--header "Content-Type: audio/wav" \
--data-binary @{path}audio-file.wav \
"{url}/v1/recognize?word_alternatives_threshold=0.10"

Aufgrund des niedrigen Schwellenwerts gibt der Service mehrere Hypothesen und Konfidenzbewertungen für einige der Wörter sowie die Start- und Endzeiten aller Wörter zurück. Die letzte Transkription erkennt die Audioeingabedaten korrekt.

{
   "result_index": 0,
   "results": [
      {
         "final": true,
         "alternatives": [
            {
               "transcript": "yes I ate that tuna ",
               "confidence": 0.82
            }
         ],
         "word_alternatives": [
            {
               "start_time": 0.0,
               "end_time": 0.31,
               "alternatives": [
                  {
                     "word": "yes",
                     "confidence": 1.0
                  }
               ]
            },
            {
               "start_time": 0.31,
               "end_time": 0.46,
               "alternatives": [
                  {
                     "word": "I",
                     "confidence": 1.0
                  }
               ]
            },
            {
               "start_time": 0.46,
               "end_time": 0.63,
               "alternatives": [
                  {
                     "word": "ate",
                     "confidence": 0.89
                  },
                  {
                     "word": "eat",
                     "confidence": 0.11
                  }
               ]
            },
            {
               "start_time": 0.63,
               "end_time": 0.77,
               "alternatives": [
                  {
                     "word": "that",
                     "confidence": 0.72
                  },
                  {
                     "word": "the",
                     "confidence": 0.27
                  }
               ]
            },
            {
               "start_time": 0.77,
               "end_time": 1.2,
               "alternatives": [
                  {
                     "word": "tuna",
                     "confidence": 0.94
                  }
               ]
            }
         ]
      }
   ]
}