如何通过socket将实时音频从浏览器传输到Google云语音。伊奥？

Question

我有一个基于React的应用程序，我有一个输入，我想允许语音输入。我可以让它只与Chrome和Firefox兼容，所以我考虑使用getUserMedia。我知道我将使用谷歌云的语音到文本API。然而，我有几个注意事项：

1. 我希望这能实时流式传输我的音频数据，而不仅仅是在我完成录制时。这意味着我找到的很多解决方案都不能很好地工作，因为仅保存文件然后将其发送到Google Cloud Speech是不够的。
2. 我不信任我的前端与我的Google Cloud API信息。相反，我已经在后端运行了一个服务，其中包含我的凭据，我想将音频（实时）流式传输到该后端，然后从该后端流式传输到Google Cloud，然后在它们返回前端时对我的成绩单发出更新。
3. 我已经使用socket.io连接到后端服务，我想完全通过套接字来管理它，而不必使用Binary.js或任何类似的东西。

似乎没有任何地方有关于如何做到这一点的好教程。我该怎么办？

Answer 1

首先，功劳是应得的：我这里的大量解决方案是通过引用vin ni的Google-Cloud-Speech-Node-Socket-Playground项目创建的。然而，我不得不为我的React应用程序调整一些，所以我分享了我所做的一些更改。

我的解决方案由四部分组成，前端两部分，后端两部分。

我的前端解决方案由两部分组成：

1. 一个实用文件，用于访问我的麦克风、将音频流到后端、从后端检索数据、每次从后端接收到数据时运行回调函数，然后在完成流式处理或后端出错时自行清理

我的后端解决方案由两部分组成：

1. 处理实际语音识别流的实用文件

（这些文件不需要以任何方式分开；没有它，我们的main.js文件已经是一个庞然大物了。）

我的大部分代码将只是摘录，但我的实用程序将全部显示，因为我对所有涉及的阶段都有很多问题。我的前端实用程序文件如下所示：

// Stream Audio
let bufferSize = 2048,
    AudioContext,
    context,
    processor,
    input,
    globalStream;

//audioStream constraints
const constraints = {
    audio: true,
    video: false
};

let AudioStreamer = {
    /**
     * @param {function} onData Callback to run on data each time it's received
     * @param {function} onError Callback to run on an error if one is emitted.
     */
    initRecording: function(onData, onError) {
        socket.emit('startGoogleCloudStream', {
            config: {
                encoding: 'LINEAR16',
                sampleRateHertz: 16000,
                languageCode: 'en-US',
                profanityFilter: false,
                enableWordTimeOffsets: true
            },
            interimResults: true // If you want interim results, set this to true
        }); //init socket Google Speech Connection
        AudioContext = window.AudioContext || window.webkitAudioContext;
        context = new AudioContext();
        processor = context.createScriptProcessor(bufferSize, 1, 1);
        processor.connect(context.destination);
        context.resume();

        var handleSuccess = function (stream) {
            globalStream = stream;
            input = context.createMediaStreamSource(stream);
            input.connect(processor);

            processor.onaudioprocess = function (e) {
                microphoneProcess(e);
            };
        };

        navigator.mediaDevices.getUserMedia(constraints)
            .then(handleSuccess);

        // Bind the data handler callback
        if(onData) {
            socket.on('speechData', (data) => {
                onData(data);
            });
        }

        socket.on('googleCloudStreamError', (error) => {
            if(onError) {
                onError('error');
            }
            // We don't want to emit another end stream event
            closeAll();
        });
    },

    stopRecording: function() {
        socket.emit('endGoogleCloudStream', '');
        closeAll();
    }
}

export default AudioStreamer;

// Helper functions
/**
 * Processes microphone data into a data stream
 * 
 * @param {object} e Input from the microphone
 */
function microphoneProcess(e) {
    var left = e.inputBuffer.getChannelData(0);
    var left16 = convertFloat32ToInt16(left);
    socket.emit('binaryAudioData', left16);
}

/**
 * Converts a buffer from float32 to int16. Necessary for streaming.
 * sampleRateHertz of 1600.
 * 
 * @param {object} buffer Buffer being converted
 */
function convertFloat32ToInt16(buffer) {
    let l = buffer.length;
    let buf = new Int16Array(l / 3);

    while (l--) {
        if (l % 3 === 0) {
            buf[l / 3] = buffer[l] * 0xFFFF;
        }
    }
    return buf.buffer
}

/**
 * Stops recording and closes everything down. Runs on error or on stop.
 */
function closeAll() {
    // Clear the listeners (prevents issue if opening and closing repeatedly)
    socket.off('speechData');
    socket.off('googleCloudStreamError');
    let tracks = globalStream ? globalStream.getTracks() : null; 
        let track = tracks ? tracks[0] : null;
        if(track) {
            track.stop();
        }

        if(processor) {
            if(input) {
                try {
                    input.disconnect(processor);
                } catch(error) {
                    console.warn('Attempt to disconnect input failed.')
                }
            }
            processor.disconnect(context.destination);
        }
        if(context) {
            context.close().then(function () {
                input = null;
                processor = null;
                context = null;
                AudioContext = null;
            });
        }
}

这段代码的主要亮点（除了getUserMedia配置，它本身有点冒险）是处理器发出的onaudioProcess回调演讲稿数据事件在将其转换为Int16后与数据一起发送到套接字。我对上面链接参考的主要更改是替换所有功能，以使用回调函数（由我的React组件使用）实际更新DOM，并添加一些源代码中未包含的错误处理。

然后，我可以在我的React组件中访问它，只需使用：

onStart() {
    this.setState({
        recording: true
    });
    if(this.props.onStart) {
        this.props.onStart();
    }
    speechToTextUtils.initRecording((data) => {
        if(this.props.onUpdate) {
            this.props.onUpdate(data);
        }   
    }, (error) => {
        console.error('Error when recording', error);
        this.setState({recording: false});
        // No further action needed, as this already closes itself on error
    });
}

onStop() {
    this.setState({recording: false});
    speechToTextUtils.stopRecording();
    if(this.props.onStop) {
        this.props.onStop();
    }
}

（我传入了我的实际数据处理程序作为这个组件的道具）。

然后在后端，我的服务在main.js中处理了三个主要事件：

// Start the stream
            socket.on('startGoogleCloudStream', function(request) {
                speechToTextUtils.startRecognitionStream(socket, GCSServiceAccount, request);
            });
            // Receive audio data
            socket.on('binaryAudioData', function(data) {
                speechToTextUtils.receiveData(data);
            });

            // End the audio stream
            socket.on('endGoogleCloudStream', function() {
                speechToTextUtils.stopRecognitionStream();
            });

我的演讲稿是这样的：

// Google Cloud
const speech = require('@google-cloud/speech');
let speechClient = null;

let recognizeStream = null;

module.exports = {
    /**
     * @param {object} client A socket client on which to emit events
     * @param {object} GCSServiceAccount The credentials for our google cloud API access
     * @param {object} request A request object of the form expected by streamingRecognize. Variable keys and setup.
     */
    startRecognitionStream: function (client, GCSServiceAccount, request) {
        if(!speechClient) {
            speechClient = new speech.SpeechClient({
                projectId: 'Insert your project ID here',
                credentials: GCSServiceAccount
            }); // Creates a client
        }
        recognizeStream = speechClient.streamingRecognize(request)
            .on('error', (err) => {
                console.error('Error when processing audio: ' + (err && err.code ? 'Code: ' + err.code + ' ' : '') + (err && err.details ? err.details : ''));
                client.emit('googleCloudStreamError', err);
                this.stopRecognitionStream();
            })
            .on('data', (data) => {
                client.emit('speechData', data);

                // if end of utterance, let's restart stream
                // this is a small hack. After 65 seconds of silence, the stream will still throw an error for speech length limit
                if (data.results[0] && data.results[0].isFinal) {
                    this.stopRecognitionStream();
                    this.startRecognitionStream(client, GCSServiceAccount, request);
                    // console.log('restarted stream serverside');
                }
            });
    },
    /**
     * Closes the recognize stream and wipes it
     */
    stopRecognitionStream: function () {
        if (recognizeStream) {
            recognizeStream.end();
        }
        recognizeStream = null;
    },
    /**
     * Receives streaming data and writes it to the recognizeStream for transcription
     * 
     * @param {Buffer} data A section of audio data
     */
    receiveData: function (data) {
        if (recognizeStream) {
            recognizeStream.write(data);
        }
    }
};

（同样，您不需要严格地使用这个util文件，您当然可以将speechClient作为const放在文件的顶部，具体取决于您获取凭据的方式；这正是我实现它的方式。）

最后，这应该足以让您开始这方面的工作。我鼓励您在重用或修改这段代码之前尽最大努力理解它，因为它可能无法“开箱即用”地为您工作，但与我找到的所有其他来源不同，这应该至少可以让您开始项目的所有相关阶段。我希望这个答案将防止其他人像我一样遭受痛苦。