自研实时字幕系统优化方案咨询

一、系统优化建议 #

针对教堂场景的语音转字幕需求，结合当前实现给出以下实用优化方向：

• 领域词汇精准适配
  教堂场景存在大量宗教专属术语（如圣经词汇、教会常用表达），浏览器原生Web Speech API对这类词汇的识别准确率普遍偏低。可以维护一份宗教核心词汇库，在识别结果的后处理阶段，通过发音相似度模糊匹配替换错误识别的词汇，比如把近似发音的普通词汇替换为对应宗教术语。

• 禁用词过滤逻辑优化
  当前直接按单个词过滤的方式易出现误判（比如禁用词"apple"会误删包含它的正常词汇）。建议改成正则匹配完整单词，同时用Set存储禁用词提升查找效率，示例如下：

  const badWordsSet = new Set(['apple', 'banana', 'orange', 'grape', 'pear'].map(w => w.toLowerCase()));
  // 替换原过滤逻辑
  const filteredWords = words2.filter(word => {
    const lowerWord = word.toLowerCase().trim();
    return !badWordsSet.has(lowerWord) && !/^\*+/.test(word);
  });
  

• 多候选结果智能选择
  已设置maxAlternatives = 10但仅取第一个候选结果，可结合上下文语义从多个候选中挑选符合教堂场景的内容。比如当第一个结果出现不符合语境的词汇时，优先选择发音相近且适配场景的其他候选词。

• 音频输入质量提升
  教堂空间的回声、背景噪音会直接拉低识别准确率，可从两方面优化：

  • 建议使用定向麦克风，减少环境噪音干扰；
  • 获取音频流时开启浏览器噪音抑制功能（部分浏览器支持通过MediaTrackConstraints配置）。

• 文本显示体验优化
  当前固定截取1000字符的逻辑易截断单词，建议改成保留最近10-20行文本；同时将滚动逻辑改为平滑滚动，提升观看体验：

  const myDiv = document.getElementById('container');
  myDiv.scrollTo({
    top: myDiv.scrollHeight,
    behavior: 'smooth'
  });
  

二、Google Translate API的作用分析 #

Google Translate API是语言翻译工具，无法直接提升语音识别准确率，但可在特定场景发挥作用：

• 若需为多语言信徒提供字幕，可将识别后的文本翻译成目标语言，实现多语言实时显示；
• 若要提升识别准确率，更推荐使用Google专门的Speech-to-Text API，它支持自定义词汇表、领域模型训练，针对宗教术语这类特定场景的识别准确率远高于浏览器原生API，能有效将准确率从90%提升至更高水平。

核心代码优化参考（带中文注释） #

// 禁用词列表（改用Set提升查找效率）
const badWordsSet = new Set(['apple', 'banana', 'orange', 'grape', 'pear'].map(w => w.toLowerCase()));

// 兼容不同浏览器的语音识别API
window.SpeechRecognition = window.webkitSpeechRecognition || window.SpeechRecognition;
let finalTranscript = '';
const recognition = new window.SpeechRecognition();

// 配置识别参数：返回临时结果、多候选、持续识别
recognition.interimResults = true;
recognition.maxAlternatives = 10;
recognition.continuous = true;

// 识别结束自动重启，保持持续识别
recognition.addEventListener('end', () => recognition.start());

recognition.onresult = (event) => {
    let interimTranscript = '';
    for (let i = event.resultIndex, len = event.results.length; i < len; i++) {
        // 可结合上下文从alternatives中挑选更合适的结果
        const transcript = event.results[i][0].transcript;
        const words = transcript.split(" ");
        // 过滤带*的词汇
        const validWords = words.filter(word => word.indexOf('*') === -1);
        // 过滤禁用词
        const filteredWords = validWords.filter(word => !badWordsSet.has(word.toLowerCase().trim()));

        // 区分最终结果与临时结果
        if (event.results[i].isFinal) {
            finalTranscript += filteredWords.join(' ') + ' ';
            // 保留最近15行文本，避免内容过长
            const lines = finalTranscript.split('\n');
            if (lines.length > 15) finalTranscript = lines.slice(-15).join('\n');
        } else {
            interimTranscript = filteredWords.join(' ');
        }
    }

    // 更新页面显示
    document.querySelector('div').innerHTML = `${finalTranscript}<i style="color:#FFFFFF;">${interimTranscript}</i>`;
    // 平滑滚动到底部
    const container = document.getElementById('container');
    container.scrollTo({ top: container.scrollHeight, behavior: 'smooth' });
}

// 启动识别
recognition.start();

内容的提问来源于stack exchange，提问作者Bryan Dellinger