Google Cloud Speech API：如何获取超过 1 分钟的音频全文转录？答案

【问题标题】：Google Cloud Speech API: how to get the full text transcription of audios longer than 1 minute?Google Cloud Speech API：如何获取超过 1 分钟的音频全文转录？
【发布时间】：2018-09-20 14:13:40
【问题描述】：

我使用 Google Cloud Speech API (longrunningrecognize) 成功获得了 5 分钟长音频的转录和替代品，但我没有获得这 5 分钟的全文，只是一个小转录，如下所示：

{
  "name": "2340863807845687922",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeMetadata",
    "progressPercent": 100,
    "startTime": "2018-09-20T13:25:57.948053Z",
    "lastUpdateTime": "2018-09-20T13:28:18.406147Z"
  },
  "done": true,
  "response": {
    "@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeResponse",
    "results": [
      {
        "alternatives": [
          {
            "transcript": "I am recording it. I think",
            "confidence": 0.9223639
          }
        ]
      },
      {
        "alternatives": [
          {
            "transcript": "these techniques properly stated",
            "confidence": 0.9190353
          }
        ]
      }
    ]
  }
}

如何获取转录生成的全文？

【问题讨论】：

标签： speech-recognition speech-to-text google-speech-api

【解决方案1】：

Google Speech API 使用起来非常痛苦。除了无法翻译长文件外，他们还会随机跳过转录中的大块音频。可能的解决方案是：

使用语音活动检测和分块分割音频分别转录每个块
使用更合理的服务，如 Speechmatics，他们会以更高的准确度毫无问题地处理大文件
使用 Kaldi 等开源语音识别器。

【讨论】：

【解决方案2】：

我成功解决了这个问题。我必须用 ffmpeg 正确转换文件：

$ ffmpeg -i /home/user/audio_test.wav -ac 1 -ab 8k audio_test2.wav

*** 删除静音：

sox audio_test2.wav audio_no_silence4.wav silence -l 1 0.1 1% -1 2.0 1%

并修复我的 sync-request.json：

{"config": {
      "encoding":"MULAW",
      "sampleRateHertz": 8000,
      "languageCode": "pt-BR",
      "enableWordTimeOffsets": false,
    "enableAutomaticPunctuation": false,
 "enableSpeakerDiarization": true,
    "useEnhanced": true,
`enter code here`"diarizationSpeakerCount":2,
 "audioChannelCount": 1},
  "audio": {
      "uri":"gs://storage/audio_no_silence4.wav"
  }
}

然后运行curl。它现在运行良好。

【讨论】：

【解决方案3】：

Google Cloud Speech-to-Text 提供了非常准确的结果。对于一些长音频，它提供了分解成块的成绩单作为您观察到的一系列替代方案。我所做的是在我的识别配置中设置 MaxAlternatives = 1，然后连接替代数组以获得完整的成绩单。下面给出了我在 c# 中使用 Google.Cloud.Speech.V1 的识别配置

var config = new RecognitionConfig()


{
    Encoding = RecognitionConfig.Types.AudioEncoding.Linear16,
    //SampleRateHertz = 16000,
    LanguageCode = "en",
    EnableWordTimeOffsets = true,
    MaxAlternatives = 1
 };

【讨论】：