audio - Watson语音转文本服务对于哪种类型的音频文件都能更快地工作？

Question

我已经尝试了用于MP3和WAV文件的Watson Speech to Text API。根据我的观察，与WAV相比，以MP3格式提供相同长度的音频所花费的时间更少。 MP3文件连续10次使用不同音频进行API调用平均需要8.7秒。另一方面，WAV格式的相同输入平均花费11.1秒。服务响应时间是否取决于文件类型？建议使用哪种文件类型以更快地获得结果？

Answer 1

不同的编码格式具有不同的比特率。 mp3和opus是有损压缩格式(尽管适用于比特率不太低的语音识别)，因此它们提供了最低的比特率。如果您需要在网络上发送较少的字节(通常会增加延迟)，因此，根据网络速度的不同，使用较低比特率的编码时可以看到更短的处理时间。

但是，对于实际的语音识别过程(忽略通过网络进行的数据传输)，所有编码都是一样快的，因为在识别开始之前，所有音频都将被解压缩(如有必要)，并转换为目标模型的采样率(宽带或窄带) )。