不同用户的外语语音识别结果千差万别

Question

我正在制作一个电子游戏来教西班牙语和普通话。这是一场演讲集中的游戏。我使用谷歌Chrome的W3C语音识别实现，因为它是免费的，似乎很棒。

我已经向其他人发布了这个游戏，人们在识别方面遇到了很大的困难，在es-ES上设置了语言代码。A人说：

My favorite so far: "refrescos" turns into "Craigslist jobs"! :D
And then "Netflix codes".

如果语言代码设置为es-ES，如何解释“作业”(我可以理解像"Netflix“这样的专有名词，但不理解”作业“)

B人说lo siento转录为lo síento，C人说转录为lo siento。同一个API怎么能用一个有重音标记的和一个没有重音的API来解释同一个口语单词呢？

每个都有Chrome 76。

我的问题是：

• 我想知道为什么同一Chrome浏览器版本的机器之间会有如此巨大的语音识别差异
• 我之所以避免使用Google语音API，是因为它花费了很多钱，但是有没有人在使用这个API时，在不同语言之间有更一致的运气呢？此外，这是如此的帖子说API只有在需要更长时间的音频转录时才会更好，而我不需要这样做。
• 有没有其他真正伟大的外语语音识别API不会打破银行？

Answer 1

Web语音API是为简单的语音命令和短语而设计的。它不是最好的质量识别引擎。它也取决于人的口音。你提到的另一个这样的问题还说，网络演讲是为命令设计的。这不是最好的教学语言，因为一个用户可能会有一个非常强烈的非本地口音至少一种语言。