标签： speech-recognition ibm-watson microsoft-cognitive google-speech-api dialogflow
我正在使用微软的认知服务。我有一个音频输入，需要识别多个扬声器及其单独的文本。
根据我的理解，Speaker Rekognition API可以识别不同的个人，Bing Speech API可以将语音转换为文本。但是，要同时执行这两项操作，我需要手动将音频文件拆分为多个部分（基于暂停/静音），然后将音频流发送到各个服务。有没有更好的方法呢？我应该改用的其他生态系统如AWS Lex / Polly或Google的产品吗？
答案 0 :(得分：6)
您应该尝试使用IBM Watson Speech to Text API。它们有一个名为Speaker Diarization的功能，对您的用例非常有用。
此处有更多详情： https://www.ibm.com/blogs/watson/2016/12/look-whos-talking-ibm-debuts-watson-speech-text-speaker-diarization-beta/