google-cloud-speech - Google Speech API 字偏移时间戳不准确

Question

我有一些音频文件 (25 GB)，我想为这些文件提供一项功能，让用户可以在播放音频时查看与音频同步的突出显示的单词。我一直在寻找 Google Speech API 来转录文件并提供单词偏移量的数据，这样我就不必手动执行此操作。但是，我注意到即使 API 能够正确准确地转录音频（每个单词的置信度超过 90%），偏移量也不一致。

什么会影响这些单词计时的准确性？一些观察：

1. 我创建了一个“快速棕色狐狸跳过睡觉的懒狗”的音频文件。使用 Audacity 作为 16 位波形，采样率为 44100。API 转录正确，但单词计时完全丢失了整个单词。
2. 我从 Audible（通过麦克风）创建了一个波形文件，单词偏移量非常准确。
3. 我尝试了一个专业录制的阿拉伯语文件，虽然 API 转录准确，但单词时间差很远。

标签： google-cloud-speech