speech-recognition - 谷歌云语音 : Distinguish Voices?

Question

我有兴趣编写一个可以识别多个说话者的语音识别应用程序。例如，如果 Bill、Joe 和 Jane 正在说话，那么该应用程序不仅可以将声音识别为文本，还可以按说话者对结果进行分类(比如 0、1 和 2……因为显然/希望谷歌无法将声音链接到人们)。

我正在寻找可能做到这一点的语音识别 API，而 Google Cloud Speech 是排名最高的 API。我查看了 API 文档以查看此类功能是否可用，但没有找到。

我的问题是:这个功能是否存在？

注意:谷歌的支持页面说他们的工程师有时会在 SO 上回答这些问题，所以似乎有人可能对问题的“意愿”部分有答案。

Answer 1

IMB 的语音转文本服务就是这样做的。如果您使用他们的休息服务非常简单，只需添加您希望在 url 参数中识别不同的说话者。此处的文档 ( https://console.bluemix.net/docs/services/speech-to-text/output.html#speaker_labels )

它的工作原理是这样的:

 curl -X POST -u {username}:{password}
--header "Content-Type: audio/flac"
--data-binary @{path}audio-multi.flac
"https://stream.watsonplatform.net/speech-to-text/api/v1/recognize?model=en-US_NarrowbandModel&speaker_labels=true"

然后它将返回一个带有结果和扬声器标签的 json，如下所示:

{
 "results": [
    {
      "alternatives": [
        {
          "timestamps": [
            [
              "hello",
              0.68,
              1.19
            ],
            [
              "yeah",
              1.47,
              1.93
            ],
            [
              "yeah",
              1.96,
              2.12
            ],
            [
              "how's",
              2.12,
              2.59
            ],
            [
              "Billy",
              2.59,
              3.17
            ],
            . . .
          ]
          "confidence": 0.821,
          "transcript": "hello yeah yeah how's Billy "
        }
      ],
      "final": true
    }
  ],
  "result_index": 0,
  "speaker_labels": [
    {
      "from": 0.68,
      "to": 1.19,
      "speaker": 2,
      "confidence": 0.418,
      "final": false
    },
    {
      "from": 1.47,
      "to": 1.93,
      "speaker": 1,
      "confidence": 0.521,
      "final": false
    },
    {
      "from": 1.96,
      "to": 2.12,
      "speaker": 2,
      "confidence": 0.407,
      "final": false
    },
    {
      "from": 2.12,
      "to": 2.59,
      "speaker": 2,
      "confidence": 0.407,
      "final": false
    },
    {
      "from": 2.59,
      "to": 3.17,
      "speaker": 2,
      "confidence": 0.407,
      "final": false
    },
    . . .
  ]
}

他们还有用于不同平台的网络套接字选项和 SDK，可以访问它，而不仅仅是休息调用。

祝你好运