语音转文本和视频智能 SPEECH_TRANSCRIPTION 有何关联？

【问题标题】：How are Speech-to-Text and Video Intelligence SPEECH_TRANSCRIPTION related?语音转文本和视频智能 SPEECH_TRANSCRIPTION 有何关联？
【发布时间】：2021-03-25 20:40:05
【问题描述】：

我的目标是使用语音转文本模型处理多个视频。

令人困惑的是，Google 有两种产品似乎做同样的事情。

这些产品之间的主要区别是什么？

谷歌云语音转文本：https://cloud.google.com/speech-to-text/docs/basics
- Speech-to-Text 具有用于解释音频的“增强型视频”模型。
谷歌视频情报：https://cloud.google.com/video-intelligence/docs/feature-speech-transcription
- VI 可以选择请求SPEECH_TRANSCRIPTION 功能

【问题讨论】：

标签： google-cloud-platform speech-to-text google-speech-to-text-api video-intelligence-api

【解决方案1】：

两者的主要区别在于使用的输入。 Speech to Text API 仅接受音频输入，而 Video Intelligence 接受视频输入。

正如您的问题“Speech to Text 具有增强视频模型” 中所述，这意味着它具有旨在转录源自视频文件的音频的模型。这意味着原始文件是视频，然后转换为音频。正如tutorial 中所见，视频在转录之前已转换为音频。

如果您想直接将音频内容转录成文本，我建议使用 Video Intelligence API。您可以使用 Video Intelligence API 关注此tutorial on how to transcribe text。

【讨论】：

谢谢，你知道后端是否使用相同的模型？我可以期待非常相似的准确性吗？
@ProGirlXOXO 是的，它在后端使用相同的模型。是的，您应该期待类似的准确性。