据我所知,Watson Speech To Text在口语会话和1或2位发言者方面有所调整。我也知道它可以比WAV和OGG更好地处理FLAC。
我想知道如何在声学方面改进算法识别。
我的意思是,增加音量有帮助吗?也许使用一些压缩过滤器?降噪?
什么样的预处理可以为这项服务提供帮助?
答案 0 :(得分:4)
提高基本模型准确性的最佳方法(非常准确但非常一般)是使用Watson STT定制服务:https://www.ibm.com/watson/developercloud/doc/speech-to-text/custom.html。这样您就可以根据域的具体情况创建自定义模型。如果您的域名与基本模型捕获的域名不匹配,那么您可以期望识别准确性大大提升。
回顾你的评论“我也知道它可以比WAV和OGG更好地处理FLAC”,事实并非如此。 Watson STT服务提供对flac,wav,ogg和其他格式的完全支持(请参阅文档的这一部分:https://www.ibm.com/watson/developercloud/doc/speech-to-text/input.html#formats)。