音频语音识别 (Audio Recognition)
将音频中的语音准确转写为文字，并能区分不同说话人。
核心能力
- 语音转文字 (Speech-to-Text)
- 说话人分离 (Diarization)
- 标点与断句优化
- 支持多语言识别
工作流程
1. 音频预处理
- 降噪处理
- 格式转换 (统一为16kHz/16bit PCM或MP3)
- 音量标准化
2. 声学特征提取
- 提取MFCC、FBANK等声学特征
- 用于后续ASR模型输入
3. ASR语音识别
- 使用ASR模型进行语音识别
- 生成文字初稿
- 支持模型：Whisper、WeNet、Paraformer等
4. 后处理
- 文字纠错
- 断句与标点添加
- 说话人分离标注
5. 输出结果
- 最终识别文本
- 说话人标签（如需要）
- 时间戳（如需要）
质量目标
- 准确率：95%以上（标准普通话录音）
- 实时性：支持实时和离线两种模式
限制说明
- 噪音限制：背景噪音过大时识别效果下降
- 口音限制：重度方言/口音可能影响准确率
- 隐私保护：用户上传的音频仅用于本次识别，不得用于模型训练或其他用途
- 语义理解：仅负责语音转文字，不理解文本语义内容
参考服务
- 讯飞听见
- Google Speech-to-Text
- 阿里云语音识别
- 腾讯云语音识别
适用场景
- 会议纪要自动生成
- 音频/视频字幕制作
- 语音内容检索
- 录音文件整理