關鍵字辨識及替代字組

IBM Watson® Speech to Text 服務可在其轉錄結果中識別使用者指定的關鍵字。它也可以建議與謄本字詞聲音相似的替代字詞。在這兩種情況下，關鍵字和替代字都必須符合使用者指定的置信度。

關鍵字辨識

keywords 和 keywords_threshold 參數僅支援上一代機型，不支援下一代機型。

關鍵字辨識特性會偵測文字記錄中的指定字串。服務可以多次辨識出相同的關鍵字，並報告每次出現。服務只會在最終結果中辨識關鍵字，而不會在過渡期間結果中辨識關鍵字。依預設，服務不會執行關鍵字辨識。

若要使用關鍵字辨識，您必須指定下列兩個參數：

使用 keywords 參數指定要辨識的字串陣列。如果您省略參數或指定空的陣列，則服務不會辨識任何關鍵字。關鍵字字串可以包含多個記號。例如，關鍵字 Speech to Text 有三個記號。關鍵字比對不區分大小寫，因此 Speech to Text 實際上相當於 speech to text。

對於美式英文，服務會將每個關鍵字正規化，以符合口說與書寫的字串。例如，它會將數字正規化，以符合它們口說和書寫時的方式。對於其他語言，關鍵字必須指定為口說方式。
使用 keywords_threshold 參數，針對關鍵字相符項指定 0.0 到 1.0 之間的機率。臨界值指出服務必須具備的信賴水準下界，如此字組才會符合關鍵字。只有在關鍵字的信賴度大於或等於指定的臨界值時，才會在文字記錄中辨識該關鍵字。

指定小的臨界值可能會產生許多相符項。如果您指定臨界值，則也必須指定一個以上的關鍵字。省略參數不會傳回任何相符項。

下列限制適用於關鍵字辨識：

您在單一要求中最多可以辨識 1000 個關鍵字。
單一關鍵字的長度上限為 1024 個字元。雙位元組語言的有效長度上限可能較短。
大部分 HTTP 伺服器及 Proxy 對於要求的參數會強制實施 8 KB 的限制。辨識非常大量的關鍵字或許多冗長的關鍵字，可能會超出此限制。如果您需要比對更多關鍵字，請考慮使用多部分 HTTP 要求。

在識別音訊串流中的關鍵字時，關鍵字辨識是必要的。您無法透過處理最終文字記錄來識別關鍵字，因為文字記錄代表服務對於輸入音訊的最佳解碼結果。它不包含信賴分數較低但可能表示有興趣字組的記號。因此，在用戶端上將文字處理工具套用至文字記錄時，可能不會識別關鍵字。需要較豐富的解碼結果表示法，而該表示法只能在伺服器上使用。

關鍵字辨識結果

服務會在 keywords_result 欄位中傳回結果，該欄位是 results 陣列的元素。 keywords_result 欄位是可列舉內容的字典或聯想陣列。每一個內容由指定的關鍵字識別，並包含物件的陣列。服務會針對它為關鍵字找到的每個相符項，傳回一個陣列元素。每個相符項的物件都包含下列欄位：

normalized_text 是指定的關鍵字，它已正規化為符合輸入音訊的口說詞組。
start_time 是相符項的開始時間（秒）。
end_time 是相符項的結束時間（秒）。
confidence 是服務對於相符項能代表指定關鍵字的信賴度。信賴度必須至少與指定臨界值一樣大，才會包含在結果中。

服務找不到相符項的關鍵字會從陣列中省略。在下列情況下，可能找不到關鍵字：

音訊純粹不包含關鍵字。缺少關鍵字是最明顯的說明。
臨界值設定太高。服務可能識別出關鍵字，但信賴水準較低，在此情況下它會從結果中省略相符項。
包含多個記號的關鍵字字串（例如 Speech to Text）說出時在其記號之間有太多靜音。當服務轉錄音訊時，會將串流切成一系列的區塊。每個區塊代表連續的音訊片段，其靜音間隔不會超過半秒鐘。它會建構由這些區塊組成的結果物件陣列。

只有在下列情況下，服務才會符合多記號關鍵字：
- 關鍵字的記號位於相同的區塊中。
- 記號是相鄰的，或者中間隔開的間隙不超過 0.1 秒。
在後者的情況下，簡短的填充語或非詞法語句，例如「uhm」或「well」，可以位於關鍵字的兩個標記之間。在這種情況下，上一代的模型可以在轉錄本的這個位置插入一個猶豫標記。下一代模型將實際的遲疑包含在轉錄結果中。如需詳細資訊，請參閱語音遲疑和遲疑標記。

關鍵字辨識範例

下面的示例请求将 keywords 参数设置为由三个字符串组成的 URL 编码数组 (colorado, tornado, 和 tornadoes)，并将 keywords_threshold 参数设置为 0.5：

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"

該服務可尋找符合條件的 colorado 和 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
    }
  ]
}

替代字組

word_alternatives_threshold 參數僅支援上一代機型，不支援下一代機型。

詞彙替代品特徵（也稱為混淆網路 ）報告輸入音訊中詞彙聲音類似替代品的假設。例如，Austin 字組可能是音訊字組的最佳假設。但 Boston 這個字組是相同時間間隔內的另一個可能假設。假設會分享共同的開始和結束時間，但會有不同的拼字，而且通常有不同的信賴分數。

依預設，服務不會報告替代字組。為了指出您想要接收替代項目假設，請使用 word_alternatives_threshold 參數，以指定 0.0 與 1.0 之間的機率。臨界值指出服務對於假設必須具備的信賴水準下界，如此才會將假設傳回作為替代字組。只有在假設的信賴度大於或等於指定的臨界值時，才會傳回該假設。

您可以將替代字組想成文字記錄的時間表，該文字記錄被切成較小的間隔，或是匣子。每個匣子可以有一個以上的假設，它們具有不同的拼字和信賴度。 word_alternatives_threshold 參數控制服務傳回的結果密度。指定小的臨界值可能會產生許多假設。

替代字組結果

服務會在 word_alternatives 欄位中傳回結果，該欄位是 results 陣列的元素。 word_alternatives 欄位是物件的陣列，每個物件都提供替代字組的下列欄位：

start_time 指出針對其傳回假設的字組，在輸入音訊中開始的時間（以秒為單位）。
end_time 指出針對其傳回假設的字組，在輸入音訊中結束的時間（以秒為單位）。
alternatives 是假設物件的陣列。每個物件都包含 confidence，它指出服務對於假設的信賴分數；物件也包含 word，它會識別假設。信賴度必須至少與指定臨界值一樣大，才會包含在結果中。服務會依信賴度排序替代項目。

替代字組範例

下列要求範例會將 word_alternatives_threshold 指定為相當低的 0.10。簡單的輸入音訊包含具有同音而不同可能聲學解釋的常見字組。

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"

由於低臨界值，服務會針對部分字組傳回多個假設和信賴分數，以及所有字組的開始和結束時間。最終文字記錄會正確地辨識輸入音訊。

{
   "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
                  }
               ]
            }
         ]
      }
   ]
}