为什么谷歌语音识别API只返回前2-3秒转换的音频文本

Question

我在Google Cloud Console中创建了一个项目，并在此项目中启用了Google Speech API，并创建了凭据。也使用了Google推荐的transcribe.py，

https://cloud.google.com/speech/docs/samples

https://github.com/GoogleCloudPlatform/python-docs-samples/tree/master/speech

https://github.com/GoogleCloudPlatform/python-docs-samples/blob/master/speech/api-client/transcribe.py

我可以使用Google can console生成的API密钥成功地将音频文件（30秒）转换为文本，但不能完全转换，仅在前2-3秒。我的帐户现在是免费试用的，所以我怀疑这是否是因为我的帐户类型（免费试用）。

谷歌的回应就像{“结果”：[{“备选方案”：[{“信心”：0.89569235，“成绩单”：“我在森林里野餐了，我要回家了，所以跟我来吧”}]}]}

音频文件为wav文件，格式为（ffprobe打印）流#0:0：音频：pcm\U s16le（[1][0][0][0]/0x0001），16000 Hz，1个通道，s16，256 kb/s

音频文件已html" target="_blank">上传到谷歌驱动器，链接在这里https://drive.google.com/file/d/0B3koIsnLksOLQXhvQ1ljS0dDXzg/view?usp=sharing

有人知道以上流程/步骤有什么问题吗？还是这就是谷歌语音识别api的bug？

Answer 1

我有一个类似的问题，但使用一个增强模型能够得到完整的转录

config = {
  ...
  use_enhanced: true,
  model: "phone_call"
}

您可以查看更多：https://cloud.google.com/speech-to-text/docs/phone-model

Answer 2

通过使用Google API Explorer和云语音API服务，可以通过分析音频文件的单独样本来分离以下相关语音识别结果：

• 剪切1:0-00'08"015，结果9：“我在森林里野餐，我要回家了，所以跟我来”
• 剪切2:00'08"732-00'11"184，结果2：“听那是什么”
• 切3:00'13"500-直到结束，结果2：“它看起来是什么”

这些结果是使用以下配置获得的：

“config”: {
    “encoding”: “LINEAR16”,
    “sampleRate”: 16000,
    “maxAlternatives”: “30”,
}

事实上，当前处于Beta阶段的语音API存在已知问题，因此可能会阻止转录正常工作（无论帐户是付费试用还是免费试用）。如以下最佳实践中所述，在您的情况下需要考虑两个问题：

1. 在整个语音记录过程中播放背景音乐，这可能会产生足够的背景噪声，从而降低转录的准确性。（请注意，语音API旨在转录用户向应用程序麦克风口述的文本）
2. 进一步建议，当从多人处捕获音频时，建议分割音频。在你的例子中，青蛙的声音可能被检测为不同的人类声音，因此也会影响转录的准确性

考虑到这两个已知的问题，重要的是要消除任何噪音，只处理来自录音主角的统一语音。或者，您可以拆分录音并尝试单独转录录音中包含单个字符声音的每个单独部分。