【发布时间】：2017-12-11 10:26:29
【问题描述】：
我正在使用 Watson Text to Speech 服务来生成 MP3 和 WAV 格式的音频文件。这些音频的默认采样频率是多少？有没有办法在点击 API 时指定采样率（对于 MP3 和 WAV）？ Watson Speech to Text 建议对宽带模型使用 16 kHz 的音频。
【问题讨论】：
标签： audio text-to-speech speech-to-text ibm-watson sampling
【发布时间】：2017-12-11 10:26:29
【问题描述】：
默认采样率为 22,050 Hz，并使用 rate 参数指定。从文档中我可以看到它是可选参数。 FYR - https://console.bluemix.net/docs/services/text-to-speech/http.html#format
【讨论】：
-
非常感谢您的回复。我们可以说 Speech to text 为 22,050 Hz 频率的音频提供了最大的准确性吗？我尝试过以 44100 Hz 频率录制的立体声音频。它给出了不正确的结果。但是使用文本到语音生成的语音（默认频率为 22050 Hz），它可以提供准确的结果。
-
我不知道准确性，但您是否尝试过使用 44100 的速率参数，例如 audio/wav;rate=44100 ？
-
是的。 rate 参数不适用于 Speech to Text。它仍然给出错误的结果。
这些信息很容易在文档中找到。
TextToSpeech 语音创建为 22050 Hz，您可以强制不同的输出采样率，但服务只会在提供结果之前对其进行下采样/上采样。
SpeechToText 通常支持宽带 16000 Hz 和窄带 8000 Hz。最好的办法是在 come 容器中使用音频，该容器在标题、flac、wav（不是 pcm）中具有采样率信息。 至于 SpeechToText，重要的是音频确实具有相关频谱中的信息，因此您不能将 8kHZ 电话通信上采样到 16kHZ 并将其发送到宽带模型。
【讨论】：