问题标签 [microsoft-speech-platform]

我用 "string, int" 创建了一个字典。我目前正在尝试通过执行“ch_Stk.Add”将单词纳入选择中。
我怎样才能在那里输入字典？

当我刚使用这些字母时，D 与 B 混淆了，很多字母与其他字母混淆了，所以我将任何不正确的字母替换为一个单词或名称，但正如你所见，它是一半他们。我想知道是否有任何解决方案可以说例如“D”而不会与“B”混淆？

我目前正在使用 Microsoft Bing Speech to Text api。我想在 n 秒的静音时停止音频收听。这可能吗？

所以最近对于一个工作项目，我一直在玩语音到文本模型，特别是自定义语音到文本模型。通过一些混合和匹配示例，我设法让一个测试应用程序与正常的 Bing 语音到文本 API 对话。但是当我尝试将它与自定义语音实例一起使用时，只有 HTTPS URL 有效。当我使用任何可用的长格式 Web 套接字 URL时，An unhandled exception of type 'System.NullReferenceException' occurred in SpeechClient.dll就会发生错误。这有点问题，因为该端点仅支持 2 分钟的转录，而 websocket 端点最多支持 10 分钟。

这个https://docs.microsoft.com/en-us/azure/cognitive-services/custom-speech-service/customspeech-how-to-topics/cognitive-services-custom-speech-use-endpoint页面是什么我要走了 它说我应该在创建服务时使用 web socket url，但这会导致上面的错误。

这是我用于尝试的测试床代码：

提前感谢您的帮助。

微软似乎提供了不少语音识别产品，我想知道它们之间的区别。

• 有Microsoft Speech API或 SAPI。但不知何故，微软认知服务语音 API具有相同的名称。

• 现在好了，Azure 上的 Microsoft Cognitive Service 提供Speech service API和Bing Speech API。我假设对于语音到文本，两个 API 是相同的。

• 然后是System.Speech.Recognition（或 Desktop SAPI）、Microsoft.Speech.Recognition（或 Server SAPI）和Windows.Media.Speech.Recognition。这里和这里对三者之间的区别进行了一些解释。但我的猜测是它们是基于 HMM 的旧语音识别模型，也不是神经网络模型，这三个模型都可以在没有互联网连接的情况下离线使用，对吧？

• 对于 Azure 语音服务和必应语音 API，它们是更高级的语音模型，对吧？但我认为没有办法在我的本地机器上离线使用它们，因为它们都需要订阅验证。（即使 Bing API 似乎有一个C# 桌面库..）

本质上，我希望为我的对话数据（每次录音 5-10 分钟）提供一个离线模型，它可以识别多说话者并输出时间戳（或时间编码输出）。我现在对所有选项都感到有些困惑。如果有人可以向我解释，我将不胜感激，非常感谢！

为什么cris.ai上没有听写场景，只有对话场景？我的用户需要能够指定标点符号，而对话场景无法处理这个问题。它在过去得到支持，但不再存在。我错过了什么吗？

如何在 MS Speech 中使用 ARPA 文件？Microsoft Speech Platform 11 Recognizer 的文档暗示可以从 ARPA 文件编译语法。

我能够编译一个 ARPA 文件——例如，微软提供的小例子——使用以下命令行：

我可以在以下测试中使用生成的 CFG 文件：

此测试通过，但请注意它使用EmulateRecognize(). 当我切换到使用实际的音频文件时，如下所示：

结果始终为空，并且测试失败。

微软非常明确地声明它是受支持的，但即使是非常简单的示例似乎也不起作用。我究竟做错了什么？

我一直在研究 Microsoft Custom Speech Recognition (CRIS)，并询问了它的定价计划。在他们的定价计划中，微软提到了 S0 计划的以下详细信息：

语音翻译 - 每小时 2.50 美元 语音到文本 - 每小时 1 美元 使用自定义语音模型的语音到文本 - 每小时 1.40 美元 语音端点托管 - 40.00 美元/模型/月

我的问题可能是业余的，因为我刚刚开始研究这个但是当他们提到每小时时，即使我没有达到我的演讲终点，这是否计算小时数，即定价是否在我创建资源时开始？

例如 - 如果我创建了我的 Speech to Text 服务并且在 24 小时内只点击了一次，我将仅按将我的语音转换为文本所需的时间付费，还是将按 24 * $1 收费，无论使用情况如何?

我目前正在用 C# 开发一个实现 Text-To-Speech 的小程序。但是，我发现可以使用两个命名空间：

• 系统.语音.综合
• Microsoft.Speech.Synthesis

我用谷歌搜索了差异，发现这篇关于语音识别的帖子。它并没有真正回答我的问题。我也在他们两个之间切换，没有任何区别。它适用于代码中的所有语言（如下）。

有人可以解释一下他们两个之间的区别吗？

我正在使用 Microsoft Speech Synthesis 来播放我的 SSML 字符串， public Prompt SpeakSsmlAsync(string ssmlText);并且我有一个不应该使用的要求，xml:lang但是当我从字符串中删除 xml:lang 属性时，ssml我遇到了异常

'speak' 需要属性 'xml:lang'

xml:lang那么有没有一种方法可以让我在不使用属性的情况下播放我的 SSML 字符串并让语音引擎处理它？

我想玩但失败了：

使用 lang 属性：

提前致谢。