python - 具有精确时间戳的语音识别？

Question

大家好，

我使用过 Google 的 txt 到语音 API。

当我想对 wav 音频文件(从视频中提取)进行编码时，某些单词的时间戳不是很精确。 (根据谷歌的分辨率是 0,1 秒 - 但就我而言，有时它更弱/延迟)。

我想我可以通过降低音频文件的速度来尝试解决方法，但结果或多或少是相同的。

有人知道一些用于语音识别的精确 API，或者有一些更好地准备音频文件的提示吗？

我想逐一确定单词，包括它们的确切时间戳。

非常感谢!

Answer 1

现代语音识别算法会牺牲对齐精度来换取解码速度，因此 Google 的识别器可能不会分配非常准确的时间戳。

使用 Kaldi 等开源识别器可以实现更准确的对齐，请参阅 https://github.com/lowerquality/gentle或类似的东西。不过，您必须重新调整 Google 结果才能获得正确的时间戳。