以自动方式转录 WMA/MP3 音频？答案

【问题标题】：Transcribing WMA/MP3 audio in an automated fashion?以自动方式转录 WMA/MP3 音频？
【发布时间】：2009-09-30 17:40:01
【问题描述】：

我有很多 WMA 格式的语音音频，我想对其进行机器转录 - 即使转录不是 100% 准确，我认为它可以作为一些“索引”来帮助一些人的音频。我愿意编写一些代码来实现这一点，但微软的语音 API 可以帮助我吗？是否已经有可以为我执行此操作的应用程序？

【问题讨论】：

【解决方案1】：

SAPI 当然可以做你想做的事。从进程内识别器开始，将音频连接为文件流（您可能需要将 WMA 文件转码为 WAV 流，因为 SAPI 只接受 WAV 输入，但您可以即时进行转码），设置听写模式，然后出发。

现在是令人失望的一点。你可能不会得到非常好的结果；事实上，我怀疑除非你非常幸运，否则你可能会得到完全的垃圾。

有几个问题：

只有在训练了 SR 引擎后，听写才能真正发挥作用。如果你很幸运（像我一样），你可以获得不错的结果，但如果说话者有口音，则必须进行培训。
训练只适用于单一声音。如果您在一个音频文件中有多个扬声器，则效果不佳。
听写（以及一般的语音识别）的音频模型假设您使用的是近距离通话麦克风（即，靠近您脸部的麦克风，以最大程度地减少噪音拾取）。如果您的 WMA 文件有额外的噪音，准确度会急剧下降。

我实际上建议使用 Dragon Naturally speak Professional；他们花费了时间和金钱来进行转录工作。我自己没用过，不知道在你的情况下效果如何。

【讨论】：

我对 Dragon Naturally speak 进行了一些研究，转录工具假设它从录音机或类似工具中获取输入，所以它有一组类似的问题（它需要培训，假设一个声音，并假设麦克风靠近扬声器）。
确实如此，但之前已经成功使用Dragon引擎进行“音频挖掘”。如果你需要一个准确的成绩单，你会失望的。如果您想查找关键字或短语，则可以在质量合理的音频源（如电视，而不是电话会议录音）上找到它。这是几年前的事了，但我相信它并没有变得更糟。

【解决方案2】：

你需要一个相应的程序来实现这一点，比如听写软件。 Speech API 则相反。我也不相信这有什么开源的，因为这是一个非常非常复杂的软件。

【讨论】：

SAPI 涵盖了识别和合成，所以它肯定是可以使用的。不过，我不熟悉它，所以我不能说即使在非英语操作系统上，Windows 是否真的提供对英语的内置识别的访问。不过，它可能仍然足以让您入门。
哦，不知道。才想起XP里的东西，既然你这么说，Vista就有这个识别功能。