背景
最近定义设备识别的语音指令以及对应的语音反馈。虽然语音控制在软件里只是很小的一块功能，但也不能太马虎。新人入坑就要学习，学习前人的经验规避问题，最后总结经验给后人，给未来的自己。好记性不如烂笔头~
下面一些问题是硬件方案太次导致的……只是现阶段业务向硬件先妥协。
硬件+本地识别
需求是为一款硬件设计一些语音指令。因为硬件没有显示界面，希望通过加入语音指令增强其交互能力，并支持触发一些业务功能。
语音识别基于某便宜的语音芯片，识别语音指令后通过串口返回给系统层，软件可以获取约定好的反馈值，在自定义业务并反馈给用户。
局限性
芯片
使用第三方语音识别芯片方案，而非软件识别，芯片把本地识别结果再反馈给系统。由于芯片并不是大品牌产品，识别准确率有限。
整体硬件是基于厂商方案改造的，换语音识别芯片方案不管是定制周期还是成本都不适合，已被否决
设备
外置麦克风有两个，降噪算法很一般，也基本没什么相位抵消等算法能力，导致拾音范围很广，所以设计了唤醒词。触发唤醒词后才能进一步使用语音指令，避免麦克风采集了环境里其他人的指令，并做出响应。
当然唤醒词只是一个规避手段，如果真存在两个人在同一空间一起使用语音指令，是没法应对的。
硬件在使用上支持外接麦克风，借助外部设备来达到更准确的声音识别效果。
业务上下功夫
上面几点是目前存在的客观限制，而开头的局限性指由于成本、方案原因，哪怕你的普通话比较标准，其他软件都能准确识别，在这里也有一定概率可能识别错误。
所以在语音命令的设计上要特别注意用词的规范。
规避错误
硬件太差，业务来补。限制业务上不用容易出错的命令词，减少发生错误识别的概率，最终实现规避错误。
发音相近
独立的语音芯片不像联网软件经过大数据学习，能给予用户可能性最大的结果。所以在定词的时候要进行区分，不然它是无法进行识别的。
声调
芯片差问题多，声调问题也是要考虑的。比如试过一个命令“执行任务五”，务wù和五wǔ就声调问题。涉及时就不能加入关键词“执行任务”，因为会和“执行任务五”无法区分。
平舌和卷舌
不少人平舌和卷舌不能区分，例如数字里就是十shí和四sì就是，在这芯片眼里就会当成一种反馈。因此要规避，本来计划是一到十，十条指令的，最后把十去掉了。
结尾仅是数字在变化
设计了几个数字命令，“呼叫用户一”到“呼叫用户九”。实际使用中，出现“呼叫用户一”有概率被识别成“呼叫用户五”，已经排除了语速问题和发音问题，但结果是明确的。
后面规避方案是把数字放到中间，例如“呼叫五号用户”，这样误判概率就在可以接受的范围了。
方言与普通话无法区分
没办法要求每个人都是标准的普通话发音，行业产品是。行业产品也容易根据公司的商务关系，在前期行成片区性售卖，因此需要注意当地方言是否有可能被误判。
语音指令太长
要避免语音指令字数过多
1、首先语音指令太长会让使用者不好记忆；
2、其次太长的话对说话的连续性要求更高，一旦有点中断就要重头再说，但使用者刚开始使用可能无法知道该是怎样的语速。
3、越长越容易被触发，这点和芯片有关。当一段语音指令少读几个字时，也是可能被触发的，因此减少语音指令长度才会让误判场景变少。
我们设计用词时，推荐语音指令长度不尝过6个词。
语音反馈与触发语音相同
由于设备没界面，语音指令操作的反馈也是通过语音的形式播放出来的。但芯片无法判断是真人还是AI的声音，并且也没有相关的算法支持。此时就要求设定指令和语音反馈时不能用一样的词。
比如语音指令是“开启录制”，反馈是“开启录制成功”。这种就不行。
方案一
指令输入和反馈用的一个意思，但顺序不一样。
语音指令是“开启录制”，反馈是“录制开启成功”就会好一些。
方案二
也有用其他同意词代替的方案
语音指令是“开启录像”；语音反馈“录制已开启”，也是可以的，具体根据实际情况选择。
其他缺点
烧录限制
语音芯片需要提前烧录语音指令，导致没办法定义会变化的内容。
比如手机支持“给张三打电话”，这里的张三是指通讯录某个人。手机可以读业务识别，但用我们这种独立的语音芯片做不到。
升级问题
由于芯片是烧录的，也不支持用OTA给语音模块升级。
如果设备生产完，不返厂重新烧录的话，语音模块相当于就是固定的了。因此规划语音指令时还要想好未来几个版本可能加入的内容。
指令数量问题
使用的芯片最多存储128个指令，考虑指令时不能什么都加。
突破数量限制方式
虽然这种差芯片限制了指令数量，但可以用两段式应答方案来突破这个限制，这需要业务层适配。
/*
下列为自然语言，无法实际使用
业务举例:
1、识别第一段指令，呼叫用户
2、语音反馈，请回复用户编号
3、识别第二段指令，一号
4、执行呼叫一号用户的操作
*/
//识别第一段指令
getWord("呼叫用户");
//语音反馈，请回复用户编号
postInstruction("请回复用户编号");
//识别第二段指令
getWord("一号");
//执行呼叫一号用户的操作
callUser("一号");
优点
可以通过抽出数字来为多个业务使用。例如同样用1-9编号的命令，可以实现呼叫几号用户、执行几号任务、拨打几号电话、呼叫几号小队等业务。从原来几十个命令变为现在只用9个编号。
缺点
1、两段式指令用户学习成本更高。
2、业务开发也会多一些，会加很多指引命令，
1）例如提示用户该说第二段关键词；
2）平时要屏蔽第二段关键词的反馈，例如没触发两段式回答时，识别反馈但不做响应；
3）异常情况处理逻辑，例如几秒内未收到能识别的第二条指令。
总结
以上这些问题案例多少和语音识别芯片的能力限制有关。如果你们的语音识别业务是经过服务做识别的，上面的问题对目前的技术环境下已经不是问题了，都有办法解决。
假如也是本地芯片处理，也祝愿大家硬件选型时有更优的方案。
