微軟SAPI System.Speech轉錄

Question

我目前正在做一個能夠轉錄音頻文件的工具的研究。我首先看到的是使用Microsoft的System.Speech API的可能性。

縱觀msdn documentation，看起來，這個工具更適合於短時間的語音命令，在這裏你對發言者的期望有一定的瞭解。它需要你創造良好的語法準確性。

有經驗的人可以確認這是否正確嗎？

Answer 1

是的，沒有。

儘管理論上任何語音識別器可以實現SAPI（，因此理論上有任何精確度的），該股窗口識別器，我發現是指揮和控制深刻不錯，但沒有這麼多的自由形式聽寫或諸如關鍵詞定位之類的事物。

這並不是說你無法識別一個強大的單詞選擇，並且它非常準確。我已經讓SAPI認出並說出了克林貢語，並且擁有龐大的語法文件。只是當您嘗試創建自己的識別器，甚至是您自己的SAPI語音時，信息絕對缺乏。通常情況下，那些可以幫助你的人不太可能精確，因爲它很難或他們擁有的信息是專有的。

如果你有一個更大的詞彙，你想以自由形式認可，你可能會更好地服務於像獅身人面像。

Answer 2

要擴大萊斯利的答案 -

微軟已經有3個不同的SR引擎，具有不同的權衡。

• System.Speech.Recognition（或桌面SAPI） - 支持單人從一個波形文件（或其他流） 聽寫輸入，但 識別器是爲了獲得 好被訓練爲一個特定的人承認。另外，輸入源必須具有高質量（低噪聲，16位，22KHz採樣率）。

  • Microsoft.Speech.Recognition（或服務器SAPI） - 不支持 聽寫所有，但確實需要輸入從波形文件（或其他 流），不需要培訓，以及與低質量的輸入 工作源（更多噪聲，8位，8千赫採樣率）。

  • Windows.Media.Speech.Recognition - 新的Windows運行時語音識別API 。支持聽寫，不需要培訓，可以使用較低質量的輸入源工作 ，但不會從wave 文件獲取輸入，並且要求您的應用基於Windows運行時。

對於轉錄的情況下，我會調查Windows.Media.Speech.Recognition工具，並期待在像Virtual Audio Cable創建一個假的默認音頻輸入設備。