必应语音识别服务 - SpeechClient 问题“无法解析音频格式”。答案

【问题标题】：Bing Speech Recognition Service - SpeechClient issue "Audio format could not be parsed."必应语音识别服务 - SpeechClient 问题“无法解析音频格式”。
【发布时间】：2016-12-13 08:36:48
【问题描述】：

我们目前正在实时流媒体场景中评估 Bing 语音识别服务。我们正在获取 PCM 编码音频的实时流（16k 采样率、16 位、1 通道（又名单声道））并尝试将其发送到 Bing 语音识别服务。

我们已经成功地将来自https://www.nuget.org/packages/Microsoft.ProjectOxford.SpeechRecognition-x64/ 的 DataRecognitionClient 用于我们的场景，方法是在流式传输音频之前发送音频格式，如下所示： _dataRecognitionClient.SendAudioFormat(SpeechAudioFormat.create16BitPCMFormat(16000));

然后我们像这样在循环中流式传输音频流：

_dataRecognitionClient.SendAudio(buffer, bytesRead);

这很好用。但是我们假设 ProjectOxford 库可能会被弃用，因为官方 Bing 语音识别网站 (https://www.microsoft.com/cognitive-services/en-us/Speech-api/documentation/GetStarted/GetStartedCSharpServiceLibrary) 指向不同的 Nuget 包，请参阅：https://www.nuget.org/packages/Microsoft.Bing.Speech/

当我们使用此包中的 SpeechClient 时，在 SpeechClient 上执行 RecognizeAsync 时，我们看到提到的“无法解析音频格式”错误。

var speechInput = new SpeechInput(producerConsumerStream,
new RequestMetadata(Guid.NewGuid(), new DeviceMetadata(DeviceType.Near,
DeviceFamily.Desktop, NetworkType.Ethernet, OsName.Windows, "Azure",
"Microsoft", "Current"), new ApplicationMetadata("App", "1.0"), "Speech"));
await _speechClient.RecognizeAsync(speechInput, new CancellationToken());

最后一行抛出错误。我们假设这是因为我们的 PCM 流没有 WAVE/RIFF 标头，因为它是流式传输的。对于流式传输场景，DataRecognitionClient 具有“SendAudioFormat”方法。

SpeechClient 不支持流式场景吗？

【问题讨论】：

标签： c# audio speech-recognition bing pcm

【解决方案1】：

回答我自己的问题。我们通过在流中添加一个带有假样本总数（又名长度）的 WAVE 标头解决了这个问题，请参阅：Create valid wav file header for streams in memory

【讨论】：

非常感谢。我想补充一点，您需要将流的位置设置回 0。当您将标头写入流时，流的位置是 44，因此识别客户端仍然会抛出相同的异常。