Google Cloud Speech-to-Text 返回 OGG OPUS Base64 音频的空转录

Question

我正在尝试使用 Node.js 中的 Google Cloud Speech-to-Text API 转录 OGG OPUS Base64 编码的音频字符串。音频的采样率为 48000 赫兹。当我运行代码时，API 返回一个空转录。这只是有时发生。其他时候，它可以很好地转录音频。稍后再回到项目，发现错误是随机返回的。当我将 Base64 转换为缓冲区并保存文件时，音频在 VLC 播放器中播放正常，并且 ffprobe 显示结果文件的正确信息。

我已经尝试过检查音频质量、编码、采样率等，但这些解决方案都没有帮助。这是我的代码：

import { SpeechClient } from "@google-cloud/speech";

// `base64Audio` looks like this:
//   "data:audio/ogg; codecs=opus;base64,T2dnUwACAAAAAAAA..."
export async function transcribeB64(base64Audio: string): Promise<string> {
  const client = new SpeechClient();
  return new Promise(async (resolve) => {
    const content = base64Audio.split(",")[1];
    const x = await client.recognize({
      config: {
        encoding: "OGG_OPUS",
        sampleRateHertz: 48000,
        languageCode: "en-US",
      },
      audio: {
        content,
      },
    });
    resolve(JSON.stringify(x, null, 2));
  });
}

API 响应如下所示：

[
  {
    "results": [],
    "totalBilledTime": {
      "seconds": "0",
      "nanos": 0
    },
    "speechAdaptationInfo": null,
    "requestId": "000000"
  },
  null,
  null
]

这是 ffprobe 的输出：

Input #0, ogg, from 'input.ogg':
  Duration: 00:00:05.74, start: 0.000000, bitrate: 129 kb/s
  Stream #0:0: Audio: opus, 48000 Hz, mono, fltp
    Metadata:
      ENCODER         : Mozilla111.0.1

为什么我的音频没有被转录？

Answer 1

我无法找出根本原因，但到目前为止，将编解码器从“OGG_OPUS”更改为“WEBM_OPUS”似乎解决了问题。我很想听到关于为什么会发生这种情况的可能解释，但目前我没有。