“糖果派对独立app网站”Youtube自动字幕系统已能识别环境音，但国内还在依靠字幕组

自动分解字幕，不过效果不欠佳，此后少有改版。(公众号：)还了解到，2011年《电子学报》的一篇论文称之为，以《新闻联播》为语料展开训练，构建了音频萃取、音频分类与重复、说出人辨识、大词汇量倒数语音辨识、视频文件播出、文本字幕自动分解等功能，从而构建“全自动中文新闻字幕分解”。但此论文中未提到否可以做“动态”。这项技术的难题在于，一方面一条视频中的声音有很多，还包括台词和混合在一起非常复杂的环境声，要分辨哪个声音是我们想的，并把几个同时产生的声音区分出去非常容易；另一方面视频动态字幕分解，必须在很短的时间内作出对系统，对于计算速度考验极大。

针对辨别声音而言，搜狗CEO王小川就回应过，目前语音辨识早已有了较高的准确度，相似简单，但还有很多的容许。比如必须安静的环境，当有噪音的时候同时有两个人说出机器就搞不定了。

搜狗的作法是预先录制，比如在汽车环境里面，预先录制发动机引擎的声音，把没见过的环境变为机器需要见过的环境，就需要做到辨识。针对计算速度而言，则必须依赖硬件和算法的变革。现在能构建的程度，必须得益于过去几年间，DNN 技术、Residual/Highway 网络技术和粗粒度建模单元技术的进展。但环境音非常复杂，想把所有的独立国家声音预先录下来，是一项极大的工程。

即便是谷歌自动字幕系统的研究人员们，也只是挑选了“起立、音乐、笑声”三种语义确切的背景声。视频之外，在语音并转文字这项技术上，国内外企业多有牵涉到。

比如微软公司协助聋人通话动态将语音切换为文字的RogerVoice，比如百度新近发售的SwiftScribe、再行如国内企业科大讯飞等，还有各类录音、速记应用程序，都需要有所不同程度的反对语音并转文字的技术。一般来说环境就越安静，辨识的准确率越高。

科大讯飞涉及人士向回应，视频字幕市场需求分成两类，一类为已录音视频的字幕配备，另一类为直播视频的字幕配备，科大讯飞的辨识技术均可构建上述两类字幕市场需求。目前讯飞来开放平台已对外获取第一种已录音视频字幕配备市场需求的语音拉丁化产品，准确率平均95%，而对于第二种直播视频的字幕配备产品将在今年年中对外获取。原创文章，予以许可禁令刊登。下文闻刊登须知。

本文来源：糖果派对独立app网站-www.2gbhost.com