artificial-intelligence - 使用多个语音转文本 API 来提高准确性

Question

有没有人尝试过使用两个或多个语音转文本 API 来转录音频？您可以使用时间戳匹配单词，然后选择置信度最高的单词。如果有人这样做过，是否显着提高了转录的准确性？值得吗？

Answer 1

由于多种不同的原因，这种方法可能会出现问题。并非所有供应商都逐字返回置信度分数，即使他们这样做了，来自一个供应商的 60% 的置信度分数与来自不同供应商的 API 的 60% 的置信度分数并不意味着相同的事情。置信度分数仅在发布它们的 API 的上下文中有效。

目前大多数语音转文本供应商都拥有相当不错的模型。有些(如 IBM Watson)实际上允许您通过添加词汇来自定义模型。如果您查看针对 SWITCHBOARD 语料库的行业基准，您会注意到供应商不断改进并相互超越。 2016 年 9 月 13 日，Microsoft 宣布其错误率最低 (https://blogs.microsoft.com/next/2016/09/13/microsoft-researchers-achieve-speech-recognition-milestone/)。 2017 年 1 月 11 日，谷歌声称已经击败了这一点，然后 IBM 于 2017 年 3 月 7 日 (https://www.ibm.com/blogs/watson/2017/03/reaching-new-records-in-speech-recognition/) 宣布了优势。差异都是百分之几或百分之几的改进。我预计这种跨越式改进将在短期内持续下去。

总结一下 - 通过使用两种不同的 API，您可以有效地使语音到文本实现的成本翻倍 - 基于您将实现的准确性的最小改进，这很难证明是合理的。