Watson speech-to-text:窄带比宽带效果更好？

Question

我正在使用IBM Watson转录我们已有的视频库。我目前正在对它的有效性和准确性进行初步研究。

有问题的视频有很好的音质，根据Watson的文档，我应该使用宽带模型来转录它们。

然而，我同时使用窄带和宽带进行了测试，我发现窄带总是稍微好一点，或者在某些情况下好很多(高达10%)。

还有没有人做过类似的测试？这与文档相反，所以我有点不愿意继续使用Narrowband做任何事情，但我可能必须基于结果。

我使用ffmpeg将视频转换为音频文件发送到Watson，音频文件显示48 the的采样率，这再次意味着我应该使用宽带并获得更好的效果。

希望外面的人也做过类似的研究，并能提供帮助。

提前谢谢。

Answer 1

你知道音频的原始采样率是多少吗？也许它最初是以8k的速度录制的，然后进行了上采样。如果是这样的话，原始的较低频率将会丢失，而正确的模型将是窄带模型。你可以在语谱图中看到这一点，例如使用audacity (https://github.com/audacity/audacity)。

另一种解释是，窄带系统使用的语言模型可以更好地预测视频中的n-gram。我建议与Watson支持团队共享您的音频文件以获得更深入的了解(您可以转到Bluemix门户网站，然后单击“支持”)。