Google 云语音到文本不提供 OGG 和 MP3 文件的输出

Question

我正在尝试对一堆时长超过 10 分钟的音频文件进行语音转文本。我不想通过直接上传 wav 文件来浪费云存储桶上的存储空间。所以我使用 ffmpeg 将文件转换为 ogg 或 mp3，例如： ffmpeg -y -i audio.wav -ar 12000 -r 16000 audio.mp3

ffmpeg -y -i audio.wav -ar 12000 -r 16000 audio.ogg

出于测试目的，我运行在虚拟 wav 文件上将语音转为文本服务，它似乎工作正常，我得到了预期的文本。但由于某种原因，当我使用 ogg 或 mp3 文件时，它没有检测到任何语音。我也不能让 amr 文件工作。

我的代码：

def transcribe_gcs(gcs_uri):
    client = speech.SpeechClient()

    audio = speech.RecognitionAudio(uri=gcs_uri)
    config = speech.RecognitionConfig(
        encoding="OGG_OPUS", #replace with "LINEAR16" for wav, "OGG_OPUS" for ogg, "AMR" for amr
        sample_rate_hertz=16000,
        language_code="en-US",
    )
    print("starting operation")
    operation = client.long_running_recognize(config=config, audio=audio)
    response = operation.result()
    print(response)

我已经正确设置了身份验证，所以这不是问题。

当我运行语音到文本服务在相同的音频但在 ogg 或 mp3（我只是从 mp3 配置中注释掉编码设置）格式时，它没有响应，只是打印出来换行并完成。

我该怎么做才能解决这个问题？

Answer 1

使用 Opus 或 FLAC

不支持 Vorbis（OGG 容器的默认音频格式）。参见 Google Cloud Speech-to-Text: Supported Audio Encodings。
MP3 编码是 Beta 功能，仅在 v1p1beta1 中可用。有关详细信息，请参阅 RecognitionConfig reference documentation。

FLAC

FLAC 已压缩但无损。这将产生最佳的语音转文本结果。

ffmpeg -i input.wav -vn output.flac

作品

如果文件 space 非常重要，那么在 OGG 中使用 Opus。它可以制作出质量极佳的小文件。

ffmpeg -i input.wav -vn -c:a libopus output.ogg

Google 云语音到文本不提供 OGG 和 MP3 文件的输出

Google cloud speech to text not giving output for OGG & MP3 files

python

google-cloud-platform

ffmpeg

google-speech-api

google-cloud-speech

使用 Opus 或 FLAC

FLAC

作品