假设我有该音频的音频和纯文本副本，我如何使用语音识别以编程方式从两者生成字幕？
这与 YouTube 在编辑视频时在其字幕/字幕页面上提供的内容非常相似。
有哪些 API 可用于执行此操作？它有哪些挑战？
我最精通 Java/C#，但这与语言无关。
问问题
573 次
1 回答
3
这称为时间戳或对齐。CMUSphinx项目项目有一个特定的工具。您可以从 subversion 中查看它。
http://cmusphinx.svn.sourceforge.net/viewvc/cmusphinx/branches/long-audio-aligner/
有关使用的一些信息，请参阅
于 2012-07-03T17:38:47.053 回答