オーディオ入力から複数のスピーカーとそのテキストを特定するにはどうすればよいですか？

Question

私はMicrosoftの認知サービスを利用しています。私はオーディオ入力があり、複数のスピーカーとその個々のテキストを識別する必要があります。

私の理解によれば、スピーカー認識APIは異なる個人を識別することができ、Bing Speech APIは音声をテキストに変換することができます。しかし、同時に両方を行うには、手動でオーディオファイルを分割して（一時停止/無音に基づいて）、オーディオストリームを個々のサービスに送信する必要があります。それを行うより良い方法はありますか？ AWS Lex/PollyやGoogleのサービスのように切り替える必要がある他のエコシステム

Answer 1

IBM Watson Speech to Text APIを試す必要があります。彼らには、あなたのユースケースに役立つSpeaker Diarizationという機能があります。ここ

詳細： https://www.ibm.com/blogs/watson/2016/12/look-whos-talking-ibm-debuts-watson-speech-text-speaker-diarization-beta/

Answer 2

私は現在、同じものを探しています。

• IBM Bluemixデモ：https://speech-to-text-demo.mybluemix.net/
• のMicrosoft Azureの話者識別：https://azure.microsoft.com/en-gb/services/cognitive-services/speaker-recognition/
• VoiceBaseデモ：私は、次のプロバイダ/デモを発見したhttps://app.voicebase.com/autonotes/private_detail/21516382/

ティムバンスとの詳細な比較を作成しました現在の転写サービスプロバイダ。

https://blog.timbunce.org/2016/03/22/semi-automated-podcast-transcription-2/

私は、これは少し時間を節約できます願っています。