看起来微软提供了相当多的语音识别产品,我想了解它们之间的区别。
有Microsoft Speech API,或SAPI。但一些人会混淆Microsoft Cognitive Service Speech API也叫这个名字。
现在,Azure上的Microsoft Cognitive Service提供了Speech service API和Bing Speech API。我认为对于语音转文本,这两个API是相同的。
然后有System.Speech.Recognition(或桌面SAPI),Microsoft.Speech.Recognition(或服务器SAPI)和Windows.Media.Speech.Recognition。这里和这里有一些关于三者之间区别的解释。但我猜它们都是基于HMM的旧语音识别模型,即不是神经网络模型,并且所有三个都可以在没有互联网连接的情况下离线使用,对吗?
对于Azure语音服务和Bing语音API,它们是更先进的语音模型,对吗?但我认为没有办法在我的本地计算机上离线使用它们,因为它们都需要订阅验证。(即使Bing API似乎有一个C#桌面库..)
基本上,我想要一个离线模型,可以对我的对话数据(每个音频记录5-10分钟)进行语音转文本转换,识别多个发言者并输出时间戳(或时间编码输出)。现在我有点困惑于所有可选项。如果有人能为我解释一下,我将不胜感激!