Google Cloud 语音转文本（MP3 转文本）

Question

我正在使用 Google Cloud Platform Speech-to-Text API 试用帐户服务。我无法从音频文件中获取文本。我不知道比特率 128kbps 的 MP3 文件应该使用什么确切的编码和采样率 Hertz。我尝试了各种选项，但没有得到转录。

const speech = require('@google-cloud/speech');

const config = {
  encoding: 'LINEAR16',  //AMR, AMR_WB, LINEAR16(for wav)
  sampleRateHertz: 16000,  //16000 giving blank result.
  languageCode: 'en-US'
};

Answer 1

Beta 版现已支持 MP3：

MP3仅作为测试版提供。有关详细信息，请参阅RecognitionConfig参考。

• https://cloud.google.com/speech-to-text/docs/encoding

MP3 MP3 音频。支持所有标准 MP3 比特率（范围为 32-320 kbps）。使用此编码时，如果不知道，可以选择取消设置sampleRateHertz。

• https://cloud.google.com/speech-to-text/docs/reference/rest/v1p1beta1/RecognitionConfig#AudioEncoding

您可以使用各种工具（例如 iTunes）找出采样率。CD 品质的音频使用 44100 赫兹的采样率。在这里阅读更多内容：

• https://en.wikipedia.org/wiki/44,100_Hz

要在 Google SDK 中使用此功能，您可能需要使用定义此功能的 beta SDK 之一。以下是 Go Beta SDK 中的常量：

RecognitionConfig_MP3 RecognitionConfig_AudioEncoding = 8

• https://godoc.org/google.golang.org/genproto/googleapis/cloud/speech/v1p1beta1

Answer 2

我遇到了同样的问题，并通过将其转换为 FLAC 解决了它。

尝试将您的音频转换为 FLAC 并使用

encoding: 'FLAC',

对于转换，您可以使用 sox ref：https ://www.npmjs.com/package/sox