如果音频的采样率和比特深度与系统的训练数据匹配，则识别结果最佳。
那么，有没有人知道微软语音平台中使用的确切采样率和/或比特深度（和/或立体声/单声道）（最新的，如果这很重要）？如果是这样，你还记得你从哪里获得这些信息吗？
请注意，我使用的是MS语音平台，而不是SAPI。除非两者都使用相同的训练数据，否则这不是相同的AFAIK。确切地说 - 我用这个：http://msdn.microsoft.com/en-us/library/microsoft.speech.recognition.speechrecognitionengine.setinputtowavefile%28v=office.14%29.aspx
我的第一次尝试是基于页面上给出的C ++代码示例。
Microsoft.Speech SR引擎不需要培训（unlike the System.Speech SR engine），并且对采样率相对不敏感（可以使用任何> 8 KHz的采样率）。 16位音频是首选，但我相信它可以用于8位音频。
我找不到有关采样率的任何信息，但似乎位深度实际上是8位（自Eric Brown's answer以来可能已经改变）。
来自qazxsw poi的行情列出支持的音频格式：
语音平台下采样大于8位分辨率的音频。
你应该没有任何比特深度，这是8位的倍数（无论如何总是如此），因为由于舍入不会导致精度损失（并且不像采样率那样没有分辨率混叠）。