Googleクラウドスピーチ：単語の開始時刻

Question

Google Cloud Speechを使用して長い形式のナレーションされたオーディオファイルを変換すると、オーディオファイルの各フレーズの開始時刻を知る必要があります。 Google Cloud Speechでこれを行う方法はありますか？ 私は現在transcribe_async.pyで働いています。おかげさまで

Answer 1

これはGoogle Cloud Speechでは不可能です。その情報が重要な場合は、他のASRシステムを参照する必要があります。私はKaldiとCMU SphinxのようなオフラインでホストされていないASRシステムがあなたにこの情報を与えることを知っています。私はASRシステムがその情報を提供できるのかどうか、それをどのホストされているのか分かりません。

Answer 2

enableWordTimeOffsetsオプションをTrueに設定すると、各単語の開始時刻と終了時刻（オーディオトラックの先頭から）を得ることができます（https://cloud.google.com/speech/docs/async-time-offsets）。

トランスクリプトの最初の単語の開始時刻は常に0であり、私の知る限り、各単語の開始時刻は前の単語の終了時刻（一時停止がある場合）に対応することに注意してください。