audio - Google语音识别API:每个单词的时间戳？

Question

通过对http://www.google.com/speech-api/v2/recognize?...进行请求，可以使用Google的语音识别API来获取音频文件(WAV，MP3等)的转录本

示例:我在WAV文件中说过“一二三五”。 Google API为我提供了这一点:

{
  u'alternative':
  [
    {u'transcript': u'12345'},
    {u'transcript': u'1 2 3 4 5'},
    {u'transcript': u'one two three four five'}
  ],
  u'final': True
}

问题:是否可以获取说出每个单词的时间(以秒为单位)？

以我的例子:

['one', 0.23, 0.80], ['two', 1.03, 1.45], ['three', 1.79, 2.35], etc.

即在时间00:00:00.23和00:00:00.80之间说了“一个”一词，
在时间00:00:01.03和00:00:01.45(以秒为单位)之间说了“两个”一词。

PS:正在寻找一种支持除英语之外的其他语言的API，尤其是法语。

Answer 1

我相信其他答案现在已经过时了。现在，使用Google Cloud Search API可以实现:
https://cloud.google.com/speech/docs/async-time-offsets