?Watson Speech to text 限制：评论？

Question

• 不支持 AAC 格式
• 会议持续数小时：无损格式 FLAC 生成非常大的文件（超过 100 MB 的 API 接受）
• 一小时的测试会议 = 210 MB 的 FLAC 和 30 MB 的 OPUS。因此需要选择 OPUS（有损格式）而不是 FLAC（无损）
• 人类难以阅读的文本（标点符号）
• 没有迹象表明对单词的置信度低（这可能表明存在潜在错误）
• 很多“空虚”的时刻

加号 演示还不错……我们如何实现生产级系统？

Answer 1

感谢您的反馈，以下是一些答案：

• 你说 FLAC 的一小时是 210 MBS？你使用什么采样率？每个样本的位数？请注意，您可以将采样率降低到 16Khz 而不会损失精度，这将导致文件更小。

• IBM 正在努力美化输出，敬请期待...

• 每个词都有置信度，使用WebSockets或REST api时只需传递“word_confidence=true”参数

• “空虚的时刻”？什么意思

我们很乐意帮助您构建生产系统。你的用例是什么？

丹妮

Answer 2

只是一般的文字转语音注意事项：

1. 人们经常互相争吵
2. 对捕获的环境质量敏感（房间的声学、录音设备的放置、电话呼叫等）
3. 技术/领域特定的词被错误分类（新兴技术通常太新而不能在训练集中）
4. 对非母语人士进行分类很困难