使用Google插件和动态语音上下文提高Google语音到文本API和对话框的性能

Question

任务:我们正在尝试构建一个对话流代理，它将通过我们的Cisco电话堆栈与呼叫者交互。我们将尝试从调用方收集字母数字凭据。

以下是我们建议的架构：

​

​

问题:为了向对话框发送文本输入，我们使用Google的语音到文本(STT) API将调用者的音频转换为文本。但是，STT并不总是按照需要执行。例如，如果打电话的人想说他/她的道布是04-04-90，那么转录的音频可能会以oh for oh 490的形式返回。然而，通过将短语提示传递给API，可以极大地改进转录的音频，因此我们需要根据场景动态地发送这些提示。不幸的是，我们很难理解如何动态地通过UniMRCP服务器，特别是Google语音识别插件传递这些短语提示。

问:谷歌语音识别手册第5.2节使用动态语音上下文概述。

提供的例子是：

<grammar mode="voice" root="booking" version="1.0" xml:lang="en-US" xmlns="http://www.w3.org/2001/06/grammar">
    <meta name="scope" content="hint"/>
    <rule id="booking">
        <one-of>
            <item> 04 04 1990</item>
            <item> 04 04 90</item>
            <item> April 4th 1990</item>
        </one-of>
    </rule>
</grammar>

这是否仍然转录所有用户输入，类似于内置语法builtin:speech/transcribe的行为？

例如，如果我说March 5th 1980,，谷歌的STT会返回March 5th 1980,还是只返回提供的项目之一？

为了明确起见，我希望Google的STT能够返回不仅仅是提供的项目，所以如果用户说March 5th 1980,，我希望通过UniMRCP、VBB、CVP返回，并传递给对话框。我被告知，即使STT返回了March 5th 1980 ，CVP或语音浏览器也有可能将其评估为“不匹配”。

Answer 1

对话框流接受的不仅仅是文本输入。

它既可以进行基于音频的意图检测，也可以基于音频流进行意图检测。