1 视频抽取音频

   我手头的视频格式为 mov 或者 mp4格式的，需要首先从视频中抽取音频。

   看了下各家对音频数据的格式要求，一般是 pcm/wav/amr/mp3 等，采样率 16k/8k, 位长 16bit，单声道。

   用到的视频抽音频工具是 ffmpeg，这个没啥说的了。

   针对视频抽取音频:   

ffmpeg -y -i audio.wav -acodec pcm_s16le -f s16le -ac 1 -ar 16000 audio.pcm
ffmpeg -y -i audio.wav -acodec pcm_s16le -f s16le -ac 1 -ar 16000 audio.mp3

2  调用各家SDK 对音频文件进行语音识别，并对比效果.

    我这里用到的均为python 的SDK，列一下各家的python SDK的链接.

    阿里云: https://help.aliyun.com/document_detail/120698.html?spm=a2c4g.11174283.6.576.25fa7275VZyc1R

    科大讯飞: https://www.xfyun.cn/services/voicedictation  

    百度:https://ai.baidu.com/tech/speech/asr 

    腾讯云: https://cloud.tencent.com/document/product/441/19812

    各家的python的SDK 都非常好用，甚至半分钟就能调通，一般去申请下 appid 和 app_key 即可。

    科大讯飞的稍微麻烦，因为需要设置白名单ip，这里内网ip是不ok的（192.168.*  127.*），必须是外网ip。

    而外网ip还可能会变，去讯飞控制台上设置完5-10min才生效。 比较浪费时间。

 

    效果对比呢，针对不同的测试语料，效果可能存在差异，效果对比不够专业全面。

    我测试的数据场景是，口语化较随意的数据 和  方言类数据不少，我说下我这边测到的情况，如有不同，欢迎讨论。

    重申下，我测试的视频中的音频呢，偏vlog性质的，口语化，含方言。不是标准普通话的场景。

    准确率排名:   科大讯飞  阿里云  >  腾讯云 > 百度。  有不同的结果和看法，欢迎讨论。