如何将Azure语音转文本display字段词汇映射至对应时间戳

Azure语音转文本的输出中，nBest（对应你提到的combinedRecognizedPhrases）包含格式化后的display字段，但词级时间戳仅存储在words数组中，且words的内容与未格式化的lexical字段一一对应。要实现display词汇到时间戳的映射，核心是对齐两者的词汇对应关系，具体步骤如下：

核心逻辑 #

display是lexical经过大小写修正、标点添加、词汇合并（比如把dot com转为.com，live streaming转为livestreaming）后的格式化结果，我们需要通过匹配两者的词汇单元，将words中的时间戳迁移到display的对应内容上。

具体实现步骤 #

• 拆分lexical为空格分隔的词汇列表，这个列表的顺序和words数组的顺序完全一致，可直接一一绑定时间戳。
• 解析display的内容，识别其中的格式化单元：
  • 大小写修正：比如lexical里的youtube对应display里的Youtube，直接通过小写归一化匹配。
  • 标点符号：display里的句号、逗号、问号等是额外添加的，无对应时间戳，直接跳过。
  • 词汇合并：比如lexical里的dot com slash对应display里的.com/，这类合并单元的时间戳取第一个词的起始时间，到最后一个词的结束时间（起始时间+时长）。
  • 特殊格式：比如lexical里的's、D等，直接匹配display里的对应内容即可。
• 遍历display的内容，逐个匹配对应的lexical词汇组，提取对应的时间戳范围。

示例映射演示 #

以你提供的输出片段为例：

• lexical中的youtube dot com slash对应display里的Youtube.com/，时间戳取youtube的起始时间PT1M41.29S，到slash的结束时间PT1M42.02S（PT1M41.29S + PT0.73S）。
• lexical中的live streaming对应display里的livestreaming，时间戳取live的起始时间PT1M44.99S，到streaming的结束时间PT1M45.80S（PT1M45.25S + PT0.55S）。
• lexical中的i对应display里的I，直接复用i的时间戳。

注意事项 #

• 若display存在无对应lexical的内容（如额外标点），无需为其分配时间戳。
• 对于模糊匹配场景，优先使用小写归一化后再匹配，提升准确率。
• 复杂合并场景可借助最长公共子序列等字符串匹配算法辅助对齐。

内容的提问来源于stack exchange，提问作者Franck Dernoncourt