10、Kinect的音频、语音与身体面部追踪技术解析

Kinect的音频、语音与身体面部追踪技术解析

1. 语音识别技术

语音识别的质量受本地环境、口音和Kinect麦克风阵列完整性的影响。不过，在大多数使用场景中，其识别准确率相当高。例如，在与Kinect玩井字棋的二十多轮游戏里，仅出现过一次命令误识别，当时说的“右下角”被语音引擎识别成了“右上角”。

1.1 不同语音引擎

• Microsoft Speech SDK ：适用于短语音命令，但不适合听写。它是基于服务器的语音引擎，适合处理有延迟的电话质量音频。除非所有命令遵循严格模式，否则像战地空袭示例那样的应用可能不太实用。
• System.Speech库 ：是一个与Microsoft.Speech表面相似的API。它支持听写，识别效果比Microsoft.Speech更好。然而，它没有Kinect语言包，最终识别效果会受影响。不过，它可以适配Kinect使用，代码与Microsoft.Speech大体相同，但有一些额外类用于处理听写。

1.2 Windows Store应用中的语音识别

之前讨论的代码在Windows Store应用中无法使用，因为Microsoft Speech不可用。微软建议使用Bing Speech API，这是一个付费API，需要有Microsoft Azure账户才能使用。每月可免费调用500,000次，对于个人项目来说还不错。使用Bing Speech API与Kinect时，代码中无需引用Kinect，API会打开默认麦克风进行工作。若需要使用该服务，可查看微软官方教程：