谷歌语音识别API：每个单词的时间戳？
可以使用Google的语音识别API来获取音频文件（WAV、MP3等）的转录。）通过请求http://www.google.com/speech-api/v2/recognize?...
示例：我在WAV文件中说过“一二三五”。谷歌API给了我这个：
{
u'alternative':
[
{u'transcript': u'12345'},
{u'transcript': u'1 2 3 4 5'},
{u'transcript': u'one two three four five'}
],
u'final': True
}
问：有没有可能得到每个单词说出的时间（以秒为单位）？
以我的例子：
['one', 0.23, 0.80], ['two', 1.03, 1.45], ['three', 1.79, 2.35], etc.
即单词一已经在时间00:00:00.23和00:00:00.80之间说了，
单词二已经在时间00:00:01.03和00:00:01.45之间说了（以秒为单位）。
PS：寻找支持英语以外的其他语言的API，尤其是法语。
共有3个答案
是的，很有可能。您需要做的只是：
在配置集中，enable\u word\u time\u offset=True
html prettyprint-override">config = types.RecognitionConfig(
....
enable_word_time_offsets=True)
编辑2020：现在可以查看其他答案
使用谷歌API是不可能的。
如果您想要单词时间戳，您可以使用其他API，例如：
Vosk-API-免费离线语音识别API（披露：我是Vosk的主要作者）。
SpeechMatics SaaS语音识别API
IBM的语音识别API
我相信另一个答案现在已经过时了。这现在可以使用Google Cloud Search API：https://cloud.google.com/speech/docs/async-time-offsets
-
我正在玩Google Cloud Speech API。我想知道我是否使用python语音识别库并调用google cloud语音API，这仍然是使用API的有效方式吗？我只想转录文本。 我对它们之间的区别感到困惑，如果我只想转录音频，是否有任何建议的方法。 使用Python语音识别： 不使用Python SpeechRecognition：
-
我用Google API对自然对话的语音识别取得了很好的效果，但是对于Youtube视频或电影中的声音，识别效果很差或根本不存在。 在iPhone 4上录制西班牙语到英语的声音是可以识别的，但在电影中使用同一部手机几乎是不可能的，即使是一个角色在几乎没有背景噪音的情况下说话的场景。只有一次成功。 我试图清理声音与SoX（声音交换）使用噪声和comand efects，没有任何成功。 有什么想法吗？
-
我正在尝试从shell命令使用Google的语音识别API，但我遇到了问题。 我的Shell文件包含以下代码： 记录-D plughw： 1,0-q-f cd-t wav-R 16000|flac-f--Best--samplughw=16000-s-otest.flac wget-q-U“Mozilla/5.0”--文件后测试。flac--标题“内容类型：音频/x-flac；速率=16000”-
-
我正在努力寻找使用谷歌云语音API进行实时连续语音识别的例子。我的要求是使用麦克风，检测语音，并在用户说话时进行转录。 我知道他们的RESTAPI没有这种支持，所以我研究了grpc示例，包括他们提供的示例。但它们似乎都是用户可以上传音频并检测语音的例子。 我在Java，谷歌grpc也支持java。有人遇到一个很好的例子，展示了如何通过麦克风持续进行这种识别吗？
-
我正在开发一个android应用程序，它将监听语音命令并相应地触发动作。 以下是一些疑问： > 谷歌语音识别离线库是否可用于android应用程序 我们能创建自己的词汇词典吗 应用程序应在脱机模式下工作（无Internet）。
-
我正在尝试制作一款可以通过语音识别停止的闹钟Android应用程序。为此，我正在使用Google语音识别API（这段代码可以连续进行语音识别）。 它工作得很好，直到我同时演奏音乐。在这种情况下，语音识别的效率会大大降低。 这个问题是合乎逻辑的，因为音乐会增加一些噪音，使识别变得更加困难。但是由于播放的音乐是已知的，我想知道是否有可能告诉谷歌尝试忽略这些额外的噪音。我知道信号处理中存在一些滤波器来做