speech-to-text - 以自动方式转录 WMA/MP3 音频？

Question

我有很多 WMA 格式的语音音频，我想用机器转录它——即使转录不是 100% 准确，我认为它可以作为一些音频的“索引”有很大帮助. 我愿意编写一些代码来实现这一点，但微软的语音 API 可以帮助我吗？是否已经有可以为我执行此操作的应用程序？

Answer 1

SAPI 当然可以做你想做的事。从进程内识别器开始，将音频连接为文件流（您可能需要将 WMA 文件转码为 WAV 流，因为 SAPI 只接受 WAV 输入，但您可以即时进行转码），设置听写模式，然后离开。

现在令人失望的一点。你可能不会得到非常好的结果；事实上，我怀疑除非你非常幸运，否则你可能会得到完全的垃圾。

有几个问题：

1. 听写真的只有在训练好 SR 引擎后才能正常工作。如果你很幸运（像我一样），你可以得到好的结果，但如果说话者有口音，培训是必须的。
2. 训练只适用于单一声音。如果您在一个音频文件中有多个扬声器，则效果不佳。
3. 听写（以及一般的语音识别）的音频模型假设您正在使用近距离通话麦克风（即，靠近您脸部的麦克风，以最大程度地减少噪音拾取）。如果您的 WMA 文件有额外的噪音，准确度会急剧下降。

我实际上建议使用 Dragon Naturally speak Professional；他们花费了时间和金钱来进行转录工作。我自己没有使用过，所以我不知道它在你的情况下效果如何。

Answer 2

你需要一个相应的程序来实现这一点，比如听写软件。Speech API 则相反。我也不相信这有什么开源的，因为这是一个非常非常复杂的软件。