语音识别 – 如何从音频输入中识别多个扬声器及其文本?

我正在使用微软的认知服务.我有一个音频输入,需要识别多个扬声器及其单独的文本.

根据我的理解,Speaker Rekognition API可以识别不同的个人,Bing Speech API可以将语音转换为文本.但是,要同时执行这两项操作,我需要手动将音频文件拆分为多个部分(基于暂停/静音),然后将音频流发送到各个服务.有没有更好的方法呢?我应该改用AWS Lex / Polly或Google产品的任何其他生态系统吗?

最佳答案
您应该尝试使用IBM Watson Speech to Text API.它们有一个名为Speaker Diarization的功能,对您的用例非常有用.

更多细节在这里:
https://www.ibm.com/blogs/watson/2016/12/look-whos-talking-ibm-debuts-watson-speech-text-speaker-diarization-beta/

转载注明原文:语音识别 – 如何从音频输入中识别多个扬声器及其文本? - 代码日志