我正在做一个语音识别系统项目。我使用深度神经网络进行语音识别。但我还需要给定演讲中出现的单词的开始和结束时间。你能向我推荐或指导我的资源来解决语音识别中的时间戳生成问题吗?我知道亚马逊转录服务也会生成时间戳,但我还没有得到关于这方面的论文。
发布于 2019-12-13 10:49:07
如果你有兴趣尝试微软的语音服务(https://aka.ms/speech/sdk),我们也支持字级时间戳。您可以从我们的快速入门示例之一开始(在许多编程语言中可用),您还可以再编写几行代码来获取单词级别的计时信息。
基本上,在尝试默认的microphone quickstart或file quickstart之后,您可以添加几行代码来请求单词级别的时间戳。您将添加另一行代码来检索服务提供的json响应(它包含单词级别的计时信息)。
例如,在C#中,您将对SpeechConfig对象执行以下操作:
config.OutputFormat = OutputFormat.Detailed;
config.RequestWordLevelTimestamps = true;一旦你收到了你的SpeechRecognitionResult对象,你会这样做:
var json = result.Properties.GetProperty(PropertyId.SpeechServiceResponse_JsonResult);
Console.WriteLine(json);如果您使用的是另一种受支持的编程语言(C++、Java、JavaScript、Objective-C、Swift、Python等),代码可能会略有不同。
祝好运。
Rob Chambers,微软
架构师和工程经理
https://stackoverflow.com/questions/59261639
复制相似问题