Question

当我尝试演示时，将音频转录为文本非常准确，这就是演示中的输出

Speaker 0:
Hello.
Speaker 1:
Hi is this Tina.
Speaker 0:
Yes it is who is this.

这是我的输出

Speaker 0:
Hello.
Speaker 1:
Hi is this Tina.
Speaker 0:
Yes it is this this

这是我在识别中设置的

private RecognizeOptions getRecognizeOptions(InputStream captureStream) {
return new RecognizeOptions.Builder()
.audio(captureStream)
.contentType(HttpMediaType.AUDIO_MP3)
.model("en-US_NarrowbandModel")
.interimResults(true)
.inactivityTimeout(-1)
.timestamps(true)
.speakerLabels(true)
.smartFormatting(true)
.build();
}

当我尝试将模型更改为en-USBroadband时，输出为

Speaker 0:
Hello.
Speaker 1:
Hi is this Tina. Yes it is who is this

区别是，是的，这是谁，谁是另一位发言人，所以预期结果将是这样

Speaker 0:
Hello.
Speaker 1:
Hi is this Tina.
Speaker 0:
Yes it is who is this.

请帮助解决此错误，或者我使用mp3文件而不是wav文件的方式对我的代码有错误

Answer 1

您发现的是，转录时音频的采样率非常高。

摘自文档-https://console.bluemix.net/docs/services/speech-to-text/index.html#about

对至少以16 kHz采样率采样的音频使用宽带。对至少以8 kHz采样率采样的音频使用窄带。

因此，在使用宽带模型时，以8kHz采样的音频不会被很好地转录。

扬声器标签不一致？即使只有两个扬声器

1 个答案: