Google SpeechML API 不适用于嘈杂的音频

Question

我一直在尝试开发一个 python 脚本来从嘈杂的音频文件中转录音频。我的具体用例是正确转录嘈杂的音频部分。当我将文件发送到 SpeechML API 进行处理时，响应要么被遗漏，要么对嘈杂的音频做出不正确的响应。有什么方法可以解决这个问题吗？我尝试了一些工具，如 sox、语音识别包装器，但它们没有帮助下面是我使用的代码

def transcribe_gcs(gcs_uri):
"""Asynchronously transcribes the audio file specified by the gcs_uri."""
from google.cloud import speech
from google.cloud.speech import enums
from google.cloud.speech import types

client = speech.SpeechClient()
audio = types.RecognitionAudio(uri=gcs_uri)
config = types.RecognitionConfig(
         encoding=enums.RecognitionConfig.AudioEncoding.FLAC,
         sample_rate_hertz=48000,
         language_code='en-US')

operation = client.long_running_recognize(config, audio)
print('Waiting for operation to complete...')
response = operation.result(timeout=600)
# Each result is for a consecutive portion of the audio. Iterate through
# them to get the transcripts for the entire audio file.
for result in response.results:
# The first alternative is the most likely one for this portion.
    print('Transcript: {}'.format(result.alternatives[0].transcript))
    print('Confidence: {}'.format(result.alternatives[0].confidence))
# [END def_transcribe_gcs]

if name == 'main':

gcs_uri="gs://speechmldemo/outputclear.flac"   
transcribe_gcs(gcs_uri)

Answer 1

到目前为止，我知道语音 API 音频结果的质量始终在很大程度上取决于外部噪音和录音的整体质量。我能想到的能够显着改善您的结果的唯一方法是：

如果可能（在录音时）降低声源的噪音水平
在处理之前以数字方式滤除噪声，去除人类语音不使用的频段。（4 KHz 以上是电话的标准频率）
最好使用未压缩的音频文件（即 wav），以避免压缩时质量下降（就像 mp3 一样。）

您可能会在官方 documentation

中找到改进处理的其他提示

Google SpeechML API 不适用于嘈杂的音频

Google SpeechML API doesnt work well with noisy audio

python

speech-recognition

transcription

google-cloud-platform

google-speech-api