GCP 语音转文本 - Java API 不工作

Question

我在 Chrome 浏览器中使用 MediaRecorder 录制了一个示例 .webm 文件。当我使用 Google 语音 java 客户端获取视频的转录时，它返回空转录。这是我的代码的样子

SpeechSettings settings = null;

Path path = Paths.get("D:\\scrap\\gcp_test.webm");

byte[] content = null;

try {

    content = Files.readAllBytes(path);

    settings = SpeechSettings.newBuilder().setCredentialsProvider(credentialsProvider).build();

} catch (IOException e1) {

    throw new IllegalStateException(e1);

}

try (SpeechClient speech = SpeechClient.create(settings)) {

    // Builds the request for remote FLAC file

    RecognitionConfig config = RecognitionConfig.newBuilder()

                    .setEncoding(AudioEncoding.LINEAR16)

                    .setLanguageCode("en-US")

                    .setUseEnhanced(true)

                    .setModel("video")

                    .setEnableAutomaticPunctuation(true)

                    .setSampleRateHertz(48000)

                    .build();

    RecognitionAudio audio = RecognitionAudio.newBuilder().setContent(ByteString.copyFrom(content)).build();

    // RecognitionAudio audio = RecognitionAudio.newBuilder().setUri("gs://xxxx/gcp_test.webm") .build();

    // Use blocking call for getting audio transcript

    RecognizeResponse response = speech.recognize(config, audio);

    List<SpeechRecognitionResult> results = response.getResultsList();

    for (SpeechRecognitionResult result : results) {

        SpeechRecognitionAlternative alternative = result.getAlternativesList().get(0);

        System.out.printf("Transcription: %s%n", alternative.getTranscript());

    }

} catch (Exception e) {

    e.printStackTrace();

    System.err.println(e.getMessage());

}

如果，我使用相同的文件并访问https://cloud.google.com/speech-to-text/并在演示部分上传文件。它似乎工作正常并显示转录。我对这里出了什么问题一无所知。我验证了演示发送的请求，这里看起来像

我发送了一组准确的参数，但没有用。尝试将文件上传到云存储，但也给出了相同的结果（没有转录）。

Answer 1

经过错误和试验（并查看 javascript 示例）后，我可以解决问题。音频的序列化版本应为 FLAC 格式。我将视频文件 (webm) 按原样发送到 Google Cloud。该站点上的演示使用 Javascript Audio API 提取音频流，然后以 base64 格式发送数据以使其工作。以下是我为获取输出而执行的步骤。使用 FFMPEG 从 webm 中提取音频流为 FLAC 格式。ffmpeg -i sample.webm -vn -acodec flac sample.flac提取的文件应使用存储云提供或作为 ByteString 发送。在调用语音 API 时设置适当的模型（英语语言video模型有效，法语模型有效command_and_search）。我对此没有任何合乎逻辑的理由。我在谷歌云站点上的演示中反复试验后意识到了这一点。

Answer 2

我得到了 flac 编码文件的结果。示例代码结果带有时间戳的单词，public class SpeechToTextSample {public static void main(String... args) throws Exception { try (SpeechClient speechClient = SpeechClient.create()) {   String gcsUriFlac = "gs://yourfile.flac";   RecognitionConfig config =       RecognitionConfig.newBuilder()           .setEncoding(AudioEncoding.FLAC)             .setEnableWordTimeOffsets(true)           .setLanguageCode("en-US")           .build();   RecognitionAudio audio = RecognitionAudio.newBuilder().setUri(gcsUriFlac).build(); //for large files   OperationFuture<LongRunningRecognizeResponse, LongRunningRecognizeMetadata> response = speechClient.longRunningRecognizeAsync(config, audio);   while (!response.isDone()) {          System.out.println("Waiting for response...");          Thread.sleep(1000);        }   // Performs speech recognition on the audio file   List<SpeechRecognitionResult> results = response.get().getResultsList();   for (SpeechRecognitionResult result : results) {      SpeechRecognitionAlternative alternative = result.getAlternativesList().get(0);     System.out.printf("Transcription: %s%n", alternative.getTranscript());     for (WordInfo wordInfo : alternative.getWordsList()) {         System.out.println(wordInfo.getWord());         System.out.printf(             "\t%s.%s sec - %s.%s sec\n",             wordInfo.getStartTime().getSeconds(),             wordInfo.getStartTime().getNanos() / 100000000,             wordInfo.getEndTime().getSeconds(),             wordInfo.getEndTime().getNanos() / 100000000);       }   } }}}GCP 支持不同的语言，我在示例中使用了“en-US”。