サブスクリプションキーの発行は以下を参考にしました。

MicrosoftのCognitive Serviceの一つ、Bing Speech APIを使う手順をまとめました

音声のサンプルデータは以下から。

日本語音声サンプル

(ns bing-speech.core
  (:gen-class)
  (:require [clj-http.client :as http]
            [clojure.data.json :as json]))

(def issue-token-endpoint
  "アクセストークン発行用のエンドポイント"
  "https://api.cognitive.microsoft.com/sts/v1.0/issueToken")

(def recognize-endpoint
  "音声認識用のエンドポイント"
  "https://speech.platform.bing.com/recognize")

(def subscription-key
  "Bing Speechのサブスクリプションキー"
    "abcdefghijklmnopqrstuvwxyz123456")

(defn issue-token [key]
  "アクセストークンを取得する"
  (let [res (http/post issue-token-endpoint
                       {:headers {"Content-Type" "application/x-www-form-urlencoded"
                                  "Ocp-Apim-Subscription-Key" key}})]
    (res :body)))

(defn uuid []
  "UUIDを生成する"
  (str (java.util.UUID/randomUUID)))

(defn recognize [token path]
  "pathにあるWAVファイルを音声認識する"
  (let [scenarios "scenarios=smd"
        appid "appid=D4D52672-91D7-4C74-8AD8-42B1D98141A5"
        locale "locale=ja-JP"
        os "device.os=MacOS"
        version "version=3.0"
        fmt "format=json"
        instanceid (format "instanceid=%s" (uuid))
        requestid (format "requestid=%s" (uuid))
        url (format "%s?%s&%s&%s&%s&%s&%s&%s&%s" recognize-endpoint scenarios appid locale os version fmt
                    instanceid requestid)
        authorization (format "Bearer %s" token)
        content-type "audio/wav; codec=\"audio/pcm\"; samplerate=44100"]
    (http/post url {:headers {"Authorization" authorization "Content-Type" content-type}
                    :body (clojure.java.io/input-stream path)})))

(let [token (issue-token subscription-key)
      result (recognize token "aiueo1.wav")]
  ((((json/read-str (result :body)) "results") 0) "name"))
;=> "あいうえお"

この分野は全然知らないので認識率についてはなんとも言えませんが、こんなお手軽にできるのは凄いですね。