Android语音识别：连字符、复合词等单词匹配问题的解决方案

问题场景与需求 #

在Android中实现语音识别功能：将固定文本显示在TextView中，把文本按空格分割为单词列表；通过onPartialResult获取逐步返回的语音输入（比如先返回[I]，再返回[I am]），每次取语音输入的最后一个单词，与文本中的单词按顺序匹配，匹配成功后用Spannable给对应单词着色，同时维护全局索引跟踪匹配进度。要求Spannable文本必须与TextView原文完全一致，不能修改原文。

遇到的匹配问题 #

• 文本中带连字符的单词（如here-there），语音识别会拆成here、there两个独立单词，无法匹配；
• 文本中的复合词（如carefree），语音识别拆成care、free，难以匹配；
• 文本中的所有格单词（如day's），语音识别返回days，当前用替换处理，需要更优方案；
• 有没有不用修改语音识别结果或原文的匹配算法/工具库？手动处理各类问题效率低还影响识别速度。

当前使用代码 #

private void applyColor(String param){
    ArrayList<String> params = paraToArray(param);
    // from string only get last word
    String newWord = params.get(params.size()-1);
    // get current word of paragraph by using global index tracking 
    String currentWord_FromParagraph = paragraphWords.get(indexHistory);

    // handle 's words
    if(currentWord_FromParagraph.contains("'s")){
        String rootWord = currentWord_FromParagraph.replaceAll("'s\\b", "");
        newWord = rootWord+"'s";
    }
    
    // index of word on paragraph
    int start = paragraph.indexOf(newWord, indexHistoryChar);
    int end = newWord.length();
    
    // match
    if(start != -1 && newWord.equalsIgnoreCase(currentWord_FromParagraph) ){
        // spannable contains paragraph and its global 
         spannableString.setSpan(new ForegroundColorSpan(Color.GREEN), start, 
         start+end, Spannable.SPAN_EXCLUSIVE_EXCLUSIVE);
        // global index for array of words of paragraph. after matching ignore current index so we look for next word
        indexHistory++;
        // similar as above but it is for paragraph character index
        indexHistoryChar = start+end;

        spannableString.setSpan(new ForegroundColorSpan(Color.WHITE), startNext, endNext, Spannable.SPAN_EXCLUSIVE_EXCLUSIVE);
    }

    txtv_paragraph.setText(spannableString);
}

解决方案 #

1. 连字符/复合词：换字符序列渐进匹配 #

别再死磕单个单词的匹配了，改成跟踪语音输入的完整字符序列和原文的匹配进度：

• 全局维护一个currentMatchPos，记录当前在原文中匹配到的字符位置；
• 每次拿到onPartialResult的完整文本（别只取最后一个单词），把语音文本和原文从currentMatchPos开始的部分都做标准化：去掉空格、连字符，统一转小写；
• 找语音文本在标准化后原文片段里的最长匹配前缀，然后对着原文里对应的实际字符范围着色；
• 最后把currentMatchPos更新到匹配结束的位置。

举个例子：原文是here-there，语音先返回here，标准化后都是here，匹配到原文0-3位的here，着色；接着语音返回here there，标准化后是herethere，原文从第4位开始标准化是there，匹配到原文5-9位的there，直接把整个here-there着色就行。

2. 所有格单词：用规则化模糊匹配 #

别直接改newWord，而是匹配时做规则化对比：

• 把原文单词和语音单词都转成标准化形式：比如day's转成days，语音返回的days也转成days，对比标准化后的内容；
• 规则可以扩展：比如去掉所有格的's、统一大小写、忽略特殊符号等；
• 只要标准化后内容一致，就直接给原文里的day's着色，完全不用改原文或语音结果。

3. 工具库：用编辑距离做模糊匹配 #

试试用编辑距离（Levenshtein Distance）计算语音内容和原文单词的相似度，设个阈值（比如相似度≥90%）就算匹配成功，不用改任何内容：

• 自己实现编辑距离计算函数就行，代码量不大；或者用轻量的工具类，比如Apache Commons Lang里的StringUtils.getLevenshteinDistance（注意Android端引入依赖的体积）；
• 遇到复合词拆分的情况，把连续几个语音单词拼接起来，再和原文单词算相似度：比如语音返回care free，拼成carefree后和原文的carefree算，完全匹配就着色整个单词。

4. 优化匹配逻辑：别卡单词索引 #

当前用indexHistory按单词索引硬匹配，很容易因为语音拆分卡壳。改成基于字符位置的弹性匹配：

• 每次匹配从currentMatchPos开始，在原文里找和当前语音输入最匹配的字符范围，不是固定找第indexHistory个单词；
• 比如语音先返回care，匹配到carefree的前4个字符，着色；接着返回care free，直接匹配到整个carefree，着色整个单词，同时更新currentMatchPos到单词结束的位置。

内容的提问来源于stack exchange，提问作者CrackerKSR