Question

通过向http://www.google.com/speech-api/v2/recognize?...

发出请求，可以使用Google的语音识别API来获取音频文件（WAV，MP3等）的转录

示例：我已经说过＆＃34; 一个二三，五个＆＃34;在WAV文件中。谷歌API给了我这个：

{
  u'alternative':
  [
    {u'transcript': u'12345'},
    {u'transcript': u'1 2 3 4 5'},
    {u'transcript': u'one two three four five'}
  ],
  u'final': True
}

问题：是否可以获得每个单词的时间（以秒为单位）？

用我的例子：

['one', 0.23, 0.80], ['two', 1.03, 1.45], ['three', 1.79, 2.35], etc.

即。单词＆＃34; one＆＃34;在时间00：00：00.23和00：00：00.80之间说过这个词＆＃34;两个＆＃34;在时间00：00：01.03和00：00：01.45（秒）之间说过。

PS：寻找支持除英语之外的其他语言的API，尤其是法语。

Answer 1

谷歌API无法实现。

如果您需要单词时间戳，可以使用其他API，例如：

CMUSphinx - 免费离线语音识别API

SpeechMatics SaaS speech recognition API

Speech Recognition API from IBM

Answer 2

我相信另一个答案现在已经过时了。现在可以使用Google Cloud Search API： https://cloud.google.com/speech/docs/async-time-offsets

Answer 3

是的，这是非常有可能的。您所需要做的就是：

在配置集中，enable_word_time_offsets = True

config = types.RecognitionConfig(
        ....
        enable_word_time_offsets=True)

然后，对于替代方案中的每个单词，您可以按照以下代码打印其开始时间和结束时间：

for result in result.results:
        alternative = result.alternatives[0]
        print(u'Transcript: {}'.format(alternative.transcript))
        print('Confidence: {}'.format(alternative.confidence))

        for word_info in alternative.words:
            word = word_info.word
            start_time = word_info.start_time
            end_time = word_info.end_time
            print('Word: {}, start_time: {}, end_time: {}'.format(
                word,
                start_time.seconds + start_time.nanos * 1e-9,
                end_time.seconds + end_time.nanos * 1e-9))

这将为您提供以下格式的输出：

Transcript:  Do you want me to give you a call back?
Confidence: 0.949534416199
Word: Do, start_time: 1466.0, end_time: 1466.6
Word: you, start_time: 1466.6, end_time: 1466.7
Word: want, start_time: 1466.7, end_time: 1466.8
Word: me, start_time: 1466.8, end_time: 1466.9
Word: to, start_time: 1466.9, end_time: 1467.1
Word: give, start_time: 1467.1, end_time: 1467.2
Word: you, start_time: 1467.2, end_time: 1467.3
Word: a, start_time: 1467.3, end_time: 1467.4
Word: call, start_time: 1467.4, end_time: 1467.6
Word: back?, start_time: 1467.6, end_time: 1467.7

来源：https://cloud.google.com/speech-to-text/docs/async-time-offsets

Google语音识别API：每个字的时间戳？

3 个答案: