一、什么样的视频/音频，适合拿来语音识别？
最好是标准录音、同期声录音，只有纯粹的人声，没有配乐（背景音乐）、背景噪音。这样的视频/音频，识别率可达95%以上。
如果有少量配乐、少量背景噪音，也是可以的，不过，识别率会有所降低，问题不大。
二、什么样的视频/音频，不适合、不推荐拿来语音识别？
1、音频经过了混音合成，人物对白跟配乐（音乐、音效）完全混合在一起。而且，配乐音量很大，持续不断，在整个音频中占据的比例很大。
2、背景噪音很大，比如：在热闹场所拍摄的视频、录制的音频，环境嘈杂、不清静，什么杂七杂八的声音都有。
3、有些娱乐节目，两个人同时说话、N个人同时说话，七嘴八舌的，难以应付。连珠炮般的密集对话，机器招架不住。

一、后期专业工作者。
大多在影视后期公司、独立工作室，以团队方式协同工作。有专业的录音设备，有能力到录音棚配音录音，有条件对人声单独录制。
音频师在剪辑音频时，通常会将人声单独放一轨，做完剪辑后，建议将人声这一轨提取出来，交给字幕工作者，用来语音识别，这是最理想、最具效率的方式，避免手工去敲字幕。
人声轨，如果有少量环境音、噪声，没关系，Arctime在语音识别之前，会对音频进行降噪处理。
二、个人玩家。
这个群体大多自已单干，自已独立拍摄，或从网络上搬运素材。条件有限，拿到的视频/音频大多数经过了混音合成，轮到什么就是什么，无法挑肥拣瘦。
由于经过了混音处理，很难将人声单独提取出来，即便通过技术手段提取出来，人声也不太纯净。
1、如果视频/音频的配乐，采用舒缓的轻音乐，响度不大，人声比较突出，这种类型可以拿来语音识别。
2、如果配乐，很激越，很震撼，动静很大，很多地方盖过了人声，这种类型不推荐拿来语音识别。
如果拿到的片源是5.1/7.1声道的蓝光DVD，可以用专业音频软件或提取工具，将中置声道（C声道）提取出来，C声道是纯粹的人声，用来语音识别挺合适。