Android语音象棋开发：语音识别白名单过滤方案咨询

嘿，这个问题我之前做语音控制类应用时也碰到过！针对你的象棋语音指令场景，这里有几个实用的方案可以帮你过滤非预期词汇，实现类似白名单的效果：

1. 利用语音识别引擎的语法约束（最推荐） #

Android的SpeechRecognizer支持通过**JSGF（Java Speech Grammar Format）**来定义识别的语法规则，相当于给识别引擎设置“只能识别这些内容”，从源头减少误识别。

举个例子，你可以创建一个象棋指令的语法文件（比如chess_grammar.jsgf）：

#JSGF V1.0;
grammar chessCommands;
public <command> = <piece> "to" <position>;
<piece> = "King" | "Queen" | "Rook" | "Bishop" | "Knight" | "Pawn";
<position> = <file> <rank>;
<file> = "A" | "B" | "C" | "D" | "E" | "F" | "G" | "H";
<rank> = "1" | "2" | "3" | "4" | "5" | "6" | "7" | "8";

然后在代码里加载这个语法并设置给SpeechRecognizer：

// 加载语法文件
InputStream is = getAssets().open("chess_grammar.jsgf");
String grammar = new String(is.readAllBytes(), StandardCharsets.UTF_8);
is.close();

// 创建识别意图
Intent intent = new Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH);
intent.putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL, RecognizerIntent.LANGUAGE_MODEL_FREE_FORM);
intent.putExtra(RecognizerIntent.EXTRA_SPEECH_INPUT_COMPLETE_SILENCE_LENGTH_MILLIS, 1000);
// 设置语法约束
intent.putExtra(RecognizerIntent.EXTRA_SPEECH_INPUT_MINIMUM_LENGTH_MILLIS, 500);
intent.putExtra(RecognizerIntent.EXTRA_GRAMMAR, grammar);

// 启动识别
SpeechRecognizer recognizer = SpeechRecognizer.createSpeechRecognizer(this);
recognizer.setRecognitionListener(yourRecognitionListener);
recognizer.startListening(intent);

这种方式能让识别引擎优先匹配你定义的词汇，从根源降低误识别概率。

2. 识别结果后做文本过滤与校正 #

如果无法使用语法约束（比如某些第三方识别引擎不支持），可以在拿到识别结果后，手动和预设的白名单词汇做匹配校正：

• 第一步：预设白名单集合

  Set<String> validPieces = new HashSet<>(Arrays.asList("King", "Queen", "Rook", "Bishop", "Knight", "Pawn"));
  Set<String> validFiles = new HashSet<>(Arrays.asList("A", "B", "C", "D", "E", "F", "G", "H"));
  Set<String> validRanks = new HashSet<>(Arrays.asList("1", "2", "3", "4", "5", "6", "7", "8"));
  

• 第二步：拆分识别结果为token，替换相似误识别
  比如针对你遇到的"Pink"→"King"、"See"→"C"这种情况，可以做一个常见误映射表：

  Map<String, String> correctionMap = new HashMap<>();
  correctionMap.put("Pink", "King");
  correctionMap.put("See", "C");
  correctionMap.put("Too", "to");
  // 可以根据测试补充更多误识别映射
  

• 第三步：用字符串相似度算法（比如Levenshtein距离）匹配最接近的白名单词汇，比如如果识别出"KIng"，自动校正为"King"。

3. 自定义语音模型/短语集 #

如果使用云语音识别服务（比如Google Cloud Speech-to-Text），可以创建自定义短语集，把所有象棋相关的指令、词汇都添加进去，让识别引擎优先学习这些内容，提升准确率。

如果是本地识别，也可以用开源库比如Vosk，导入自定义的词汇表（.txt格式），让模型更专注于你的场景词汇。

额外小贴士 #

• 尽量让用户的指令格式固定（比如统一用“棋子名 + to + 位置”），这样后续过滤和校正逻辑更简单；
• 多收集测试中的误识别案例，针对性补充校正映射表或语法规则；
• 优先使用语法约束，比事后校正更高效，也能减少不必要的识别结果处理。

内容的提问来源于stack exchange，提问作者ZaOndra