我的目标是使用一个语音到文本模型来处理几个视频。
令人困惑的是,谷歌有两款产品似乎都在做同样的事情。
这些产品的主要区别是什么?
Google语音到文本:
- Speech-to-Text has an "enhanced video" model for interpreting the audio.
谷歌视频智能:
- VI has the option to request a `SPEECH_TRANSCRIPTION` feature
我正在尝试编写一个程序来评估文本之间的语义相似度。我已经比较了文本之间的n-gram频率(一种词汇测量)。我想要一些不那么肤浅的东西,我认为在句子结构中查看相似度是评估文本相似度的一种方法。
然而,我所能做的就是计算词性(例如,每个文本4个名词,2个动词,等等)。然后,这类似于只计算n-gram(实际上不如ngram好)。
postags = nltk.pos_tag(tokens)
self.pos_freq_dist = Counter(tag for word,tag in postags)
for pos, freq in self.pos_freq_dist.iteritems():
我发现在对话结束之前,用户必须做出响应是有限制的:
"Your response must occur within about 5 seconds or the Assistant assumes your fulfillment has timed out and ends your conversation."
但是,是否存在用户可以响应的最大值(输入语音)?我们希望允许更长的响应(然后访问响应文本)。
理想情况下,我们希望无限制的响应时间和能力,以访问原始输入(类型语音)时收到
如果我们可以从用户的回复中获取音频,那就太好了,但据我所知,这是不可能的。
又是一年一度的云+峰会,在昨天的腾讯云+未来峰会上,Pony提出了很多重磅消息:打造“超级大脑”,语音版微信,再次提出“三网”设想,另外还给出了一个AI全免费开放的消息,可以看出“AI in All”不只是谈谈而已,而是整个社会的趋势走向,那么如何理解“超级大脑”?云计算又如何助力实现“AI in All”呢?