Google，微软，科大讯飞的语音识别引擎对比

— Google 提供了一个在线语音识别的 API 接口，通过该 API 可以进行中文、英文等语言的识别。

 API 地址： http://www.google.com/speech-api/v1/recognize? xjerr =1& client = chromium& lang = zh-CN& maxresults =1

— 参数解释

 xjerr：错误标准

 client： 客户端类型

 lang：待识别语言类型，en-US是英文，中文为zh-CN，

 maxresults：最大返回识别结果数量

— 识别基本流程：

◦ 从音频输入设备获取原始音频并编码或直接调用音频文件。

◦ 将音频 POST 至接口地址。

◦ 分析处理返回的 JSON 并得出结果。

— 请求接口

◦ 地址：如前

◦ 请求方式： http post

◦ 请求数据：编码后的音频数据

◦ 音频编码格式： wav 、 speex 或 flac 。

◦ 音频采样频率： 8000Hz 、 11025Hz 、 16000Hz 、 22050Hz 、 24000Hz 、 32000Hz 、 44100Hz 、 48000Hz

— 主要优点

◦ 语音识别引擎庞大，识别精度很高，适用于文本语音识别。提供多国语言的语音识别。

◦ 任何平台都可以进行访问，容易使用。

— 主要缺点

◦ API 未开放，未能获知具体开发细节。

◦ 识别引擎位于服务器端，识别的速度和网络质量有关，识别速度较慢。

◦ 待识别音频的格式、大小、时长的限制。

 

 

MicrosoftSpeech SDK

— Microsoft Speech SDK 是微软公司提供在 Windows 平台上开发语音识别和语音合成应用程序的开发包，简称为 SAPI ，内含 SR （ Speech Recognition ）和 SS （ Speechsynthesis ）引擎，因此可以很方便地在自己的应用程序中添加这些功能。

— 该语音引擎支持多种语音的识别和朗读，包括英文、日文、中文等。微软推出的应用编程接口 API ，虽然现在不是业界标准，但是应用比较广泛。

— 识别基本流程：

◦ 从音频输入设备获取原始音频并编码或直接调用音频文件。

◦ 设定语音引擎和识别上下文等内容，配置本地访问属性。

◦ 分析处理得到的文本结果

— 请求接口

◦ 请求方式：本地访问

◦ 请求数据：编码后的音频数据

◦ 音频编码格式： wav

◦ 音频采样频率： 8000Hz 、 11025Hz 、 16000Hz 、 22050Hz 、 24000Hz 、 32000Hz 、 44100Hz 、 48000Hz

— 主要优点

◦ 基于 COM 组件，便于与 DirectShow 中的组件整合。

◦ 语音识别引擎位于本地，便于访问，识别速度较快。

◦ 待识别音频的大小、时长无限制。

— 主要缺点

◦ 缺少其他平台的支持，仅支持 windows 平台。

◦ 语音识别引擎不够庞大，识别精准度较低。

◦ 仅提供中日英三种语言的语音识别功能。

 

 

 iFLY Mobile Speech Platform 2.0

— 科大讯飞为开发者提供了语音应用开发平台，提供语音合成、语音听写、语音识别、声纹识别等服务，为语音应用开发爱好者提供方便易用的开发接口，使得用户能够基于该开发接口进行多种语音应用开发。

— 其主要功能有：

◦ 实现基于 HTTP 协议的语音应用服务器，支持语音合成、语音听写、语音识别、声纹识别等服务

◦ 提供基于移动平台和 PC 上的语音客户端子系统，内部集成音频处理和音频编解码模块，提供关于语音合成、语音听写、语音识别和声纹识别完善的 API

— 只需要在 http://open.voicecloud.cn 上申请成为开发者，便可以下载相关的 SDK 和开发文档。

— 主要优点

◦ 支持平台丰富，各个平台上都有相应的详细 SDK 文档

◦ 语音识别引擎较庞大，对中文的识别精度很高。

◦ 具端点检测功能，便于划分识别文本的句子。

— 主要缺点

◦ 识别引擎位于服务器端，须远程访问，识别速度较慢。

◦ 对语言支持不如 Google ，目前仅支持中文听写。

◦ 需要使用 1028 端口，在某些地方会有使用限制。

◦ 当软件用户达到百万次后，需要开始收费。

 

 

— 测试流程：

◦ 从麦克风输入语音并编码或直接调用音频文件，调用的音频文件主要是从电影或是新闻节目中提取其音频，前者主要体现识别语音口音的多样性，后者是体现识别语音口音的正规性，从麦克风输入体现对针对某个人特定的口音。主要测试音频文件格式为 wav 和 flac （ flac 需要由相同采样率的 wav 转换而来）测试采样率有 8 KHz 、 16 KHz 、 24 KHz 、 32 KHz 、 44.1 KHz 。

◦ 分析各个引擎的识别准确度和花费时间时，选取了 5 段时长为 25S 、平均长度为 150 个中文字符的音频作为其测试音频，记录识别正确的文字和花费时间，准确度以识别正确的文字 / 文本总字数，同时包含识别出的单独的字、词，花费时间对于非本地引擎需要考虑音频传送和结果返回的时间。

◦ 分析各个引擎中语速对识别准确度的影响，针对同一文本，测试不同语速（分为慢速、中速、快速）的音频，且时间均控制在 25S ，仅选取了 24KHz 和 44.1KHz 音频进行测试，因为由测试准确度的测试中，已经得出在 24KHz 和 44.1KHz 情况下，识别精确度较高。

◦ 分别用 google 、 Microsoft 和科大讯飞语音识别引擎对测试音频文件进行测试。其中使用 google 和科大讯飞引擎需通过访问其相关服务器，而 Microsoft 的语音识别引擎则是从本地进行访问。

◦ 对所得结果进行数据分析，列出数据表格，分析各自引擎的优缺点。

—

 

测试结果：

◦ 语速对识别时间的影响

                        慢速                 中速                   快速

Google              8s                   8.94s               10.125s

SAPI                6.06s               6.63s                 5.375s

科大讯飞          34.6s               35s                     23.6s

 

◦ 语速对识别精度的影响

                        慢速                 中速                   快速

Google           78.93%           77.52%               11.58%

SAPI               28.7%             42.79%               6.81%

科大讯飞         78.2%             80.48%              15.53%

 

结果评价：

— 1.Google

◦ Google 语音识别引擎可以识别 wav 格式音频，但是测试所用 wav 均为非原始 wav 故识别精度很低，若将其转换为 flac 后则识别精度增加。对于 flac 格式中文音频，快速语音准确率达到 11.58% ，中速语音准确率达到 72.52% ，平均花费时间 8.94S 。慢速语音准确率达到 78.93% ，平均花费时间为 8S 。对于英文音频，快速语音准确率达到 40.22% ，中速语音准确率达到 89.2% ，慢速语音准确率达到 80.58% ，平均花费时间各为 9.2s ， 8.5s 和 9.9s 。

◦ 不同的音频采样率对识别效果和花费时间有影响，识别效果主要体现在音频中间部分名词和音频末端 1s 的识别结果，于中文而言新闻类平均准确率为 72.37%, 电影类平均准确率为 44.36% 。于英文而言，电影类平均准确率为 35.3% 。平均花费时间采样率越大，识别时间越短，如 24KHz 和 44.1KHz 的同样内容音频，后者时间少 1S 左右。

◦ 对于 google 语音识别引擎，由于语速过快会导致识别不准确，会出现多个音识别为一个字的现象，故所用时间较短，但是准确度较差。而语速过慢时，虽然语音的特征更加明晰会使得准确率上升，但是字与字之间的联系不密切，会出现本该是一个词却识别为同音的两个字，导致准确率下降，故其平均准确率和中速识别率相当，另一方面是所需识别的字较少，故识别时间相对中速短。

◦ 对于视频流提取的音频和麦克风输入人声的识别，麦克风输入人声的平均准确度高于视频流中的的平均准确度，原因是视频流中的人声会带有各种口音一般带有背景噪音，而麦克风输入人声是单一的稳定的，背景噪音较小。准确度顺序大致为：新闻类 > 特定人 > 电影类，但不能忽略电影中也存在普通话标准发音。对于时间长度为 20s 以上的快速语音，测试期间无法识别，一直未能返回正确结果。不知原因。对于特定人输入的音频，音频头尾都可正确识别。若是输入视频流中音频，头尾 1S 的内容都不能很好的识别，容易出错。

◦ Google 语音识别引擎数据库丰富，可以识别大部分日常用语，还包括当下流行词汇，人名，地名等。对于新闻类词汇判别比较准，而特定专业类名词通常以同音字代替。

◦ 对于 google 识别的时间包括网络发送音频数据包时间，识别花费时间，返回结果时间。由于引擎位于服务器，需要通过网络访问，故网络质量在识别时间上占据极重要的位置，识别过程中经常会发生访问延迟、访问超时和请求无效等错误，故应该在网络良好的条件下使用 google 引擎，这也是非本地语音引擎库的缺点。同时音频文件超过 1M 时，也无法正确返回结果，估计是服务器的文件限制。

◦ 若考虑语音的精准度，则倾向于选择 google 语音识别引擎。

 

 

— 2.SAPI

◦ 微软的 SAPI 语音识别引擎可以识别任意采样率的 wav 格式音频，当采样率比较低时如仅为 8KHz ，音频内容采样过程中会缺失，故识别不准确，理论上来说，采样率越高，识别精度越好。但是采样率超过一定值后，改进并不明显。经过测试得出以 44.1KHz 采样率识别精度较好，且花费时间较短。快速语音准确率为 6.81% ，中速语音准确率达到 42.79% ，平均花费时间 6.63S 。慢速语音准确率达到 28.7% ，平均花费时间为 6.06S 。识别效果主要体现在音频中间部分名词和音频末端 1s 的识别结果，新闻类平均准确率 51.48%, 电影类平均准确率为 41.43%, 特定人平均准确率为 53.06% 。

◦ 对于特定人输入的音频，音频头尾都可正确识别。若是输入视频流中音频，头尾 1S 的内容容易漏识别，且漏识别内容并非不显示，而是以其他文字代替诸如“他、淡”等字，影响了识别结果的理解。

◦ 微软语音识别引擎数据库位于本地，访问方便、快捷，无需考虑网络延迟、音频文件过大无法传送等问题。其缺点便是本地数据库的大小限制了其识别精度，需要通过长时间的训练才有可能达到比较高的精准度，而相比之下 google 引擎数据库可以收集网络上的所有资料，训练文本并不缺乏，容易达到很高的精准度。 SAPI 可以识别大部分日常用语和常用的新闻词汇，但是对当下流行词汇，人名，地名识别精度很低，对特定专业类名词通常也以同音字代替。

 

 

— 3. 科大讯飞

◦ 科大讯飞语音识别引擎仅可识别 wav 格式音频，为了达到理想的效果，有诸如条件限制，如音频须为采样率 16KHz 、每采样一点 16bit 、单声道，且音频长度小于 90s 。由于具有端点检测功能，每句话的长度不宜过长。快速语音准确率达到 17.63% ，平均花费时间 29.2S 。中速语音准确率达到 80.48% ，平均花费时间 35S 。慢速语音准确率达到 78.2% ，平均花费时间为 34.6S 。平均花费时间比另外两个引擎多了许多，主要原因是其端点检测功能，故一次能识别的语句长度有限制，需要分段识别，因此加长了识别的时间。

◦ 端点检测的好处是方便音频中句子的分段，易于对对识别结果的理解。

◦ 其引擎库也是位于服务器，需要通过网络访问，识别的时间包括网络发送音频数据包时间，识别花费时间，返回结果时间。网络质量在识别时间上也占据极重要的位置，且其需要开启 80/1028 端口后才能有效使用该引擎。待识别的音频需要质量清晰，一般对于网上流媒体而言，声音质量不高，识别较困难。

 

以上的SAPI和科大讯飞的测试DEMO都是用他们SDK里自带的。GOOGLE的C#代码可参照 http://www.cnblogs.com/eboard/archive/2012/02/29/speech-api.html

另外介绍关于google语音识别的内容还可以参照 http://blog.csdn.net/dlangu0393/article/details/7214728本文中有转载其小部分内容。

 

 

由于测试样本数量并不算多，因此以上测试仅供参考。