Google cloud platform 语音到文本和视频智能语音转录是如何相关的？

我的目标是使用语音到文本模型处理几个视频

令人困惑的是，谷歌有两款产品似乎在做同样的事情

这些产品之间的主要区别是什么

谷歌云语音到文本：

• 语音到文本有一个“增强视频”模型来解释音频

谷歌视频智能：

• VI可以选择请求语音转录功能

---

两者之间的主要区别在于所使用的输入。语音到文本API仅接受音频输入，而视频智能则接受视频输入

正如您的问题中提到的“语音到文本有一个增强视频模型”，这意味着它有一个用于转录源自视频文件的音频的模型。这意味着原始文件是在视频中，然后转换为音频。如图所示，视频在转录之前被转换为音频

---

如果您想直接将音频内容转录成文本，我建议使用视频智能API。您可以使用视频智能API了解这一点。

谢谢，您知道后端是否使用了相同的型号吗？我能期望非常相似的精度吗？@ProGirlXOXO是的，它在后端使用相同的模型。是的，你应该期望类似的准确度。