语音转写调研

本文主要介绍以下几种语音转写的介绍，分享给大家。

1. 科大讯飞

语音转写（Long Form ASR）基于深度全序列卷积神经网络，将长段音频（5小时以内）数据转换成文本数据，为信息处理和数据挖掘提供基础。

语音转写是非常适合当前交互单中语音音频的转写 API。

它能够将预先录制完毕的完整音频文件，通过转写服务输出此音频对应的完整文字结果。

特点

支持多种方言

支持区分讲话人

官网文档点击进入

开发者文档

2. 百度 AI 语音技术

音频文件转写 接口可以将大批量的音频文件异步转写为文字。

适合批量录音质检、会议内容总结、录音内容分析等场景，一般12小时内返回识别接口。

产品概述

特点

语音转换的文件需要先上传至百度 BOC 或者给一个外网能够访问的链接即可

支持区分讲话人

支持单双轨识别

3. 阿里智能语音交互

录音文件识别是针对已经录制完成的录音文件，进行识别的服务。录音文件识别是非实时的，识别的文件需要提交基于 HTTP 可访问的 URL 地址，不支持提交本地文件。

产品概述

支持区分讲话人

没有百度和科大讯飞的精准度高

实时语音识别对不限时长的音频流做实时识别，达到“边说边出文字”的效果，内置智能断句，可提供每句话开始结束时间。

不支持在线转写

4. 华为云智能语音交互

SIS 语音交互服务（Speech Interaction Service，简称SIS）需要用户通过调用API接口，将语音文件识别成可编辑的文本，然后返回JSON格式的识别结果

特点

存在约束限制，例如，音频文件必须在华为的 OBS 中。

文件大小不超过 300 M。

支持区分讲话人

写在最后

个人觉得科大讯飞和百度 AI 现阶段识别率较高。

阿里云提供智能语音自学习平台公共云，支持语音学习，也是可以满足业务场景。

华为云提供语音语调，情感分析也是有自己的独特支持。

没有最好的，满足你所需要的才是最重要的。