Microsoft语音平台.采样率和位深度

Question

如果音频的采样率和比特深度与系统的训练数据相匹配，识别效果最好。

那么，是否有人知道Microsoft语音平台(如果这很重要的话，最新的)使用的采样率和/或位深度(和/或立体声/单声道)？如果是的话，你还记得你是从哪里得到这些信息的吗？

请注意，我使用的是MS语音平台，而不是SAPI。除非两者使用相同的训练数据，否则AFAIK就不一样了。准确地说-我用的是：http://msdn.microsoft.com/en-us/library/microsoft.speech.recognition.speechrecognitionengine.setinputtowavefile%28v=office.14%29.aspx

我的第一次尝试是基于页面上给出的C++代码示例。

Answer 1

Microsoft.Speech SR引擎不需要训练(与System.Speech SR引擎不同)，并且对采样率相对不敏感(将适用于任何大于8 KHz的采样率)。16位音频是首选，但我相信它将与8位音频工作。

Answer 2

我找不到关于采样率的任何信息，但似乎比特深度实际上是8位(也许这在埃里克·布朗的回答之后已经发生了变化)。

引用自此页清单支持的音频格式：

语音平台对大于8位分辨率的音频进行降采样.

您应该很好地提供任何比特深度，这是一个8位的倍数(无论如何都是这样)，因为不会因为四舍五入而造成精度损失(并且不存在分辨率的混叠，不像采样率)。