如何使用 Google Speech cloud api 识别不同的说话者？

Question

我正在构建类似于“头脑风暴”工具的东西：一群人可以对着麦克风喊出术语。输入被翻译成文本（谷歌语音到文本）并显示在词云中。词云将相同的词（或术语）分组。但我无法正确识别各个术语。如果他们之间有长时间的沉默，谷歌只能拆分输入。如果两个人互相大声喊叫，那么不同的想法会被当作一个想法来处理。那不是我想要的。有任何想法吗？例如。一个人说“深蓝色”，一个人说“深红色”。谷歌给了我一个输出“深蓝色深红色”。

Answer 1

他们有实验性的speaker diarization 功能，但它不能很可靠地工作。其他工具包和 API 也支持说话人分离。