我一直在使用电子创建一个桌面应用程序，该应用程序使用javascript网络语音api。直到最后几周，它的运行情况都非常好。当前，它不起作用。我尝试使用Nw js，并且还在Chromium浏览器中对其进行了检查，即使在默认的Google语音API演示网站上，它似乎也无法正常工作。
但是它在Google chrome浏览器中可以完美运行。谷歌是否使用API取消了铬？
我还有其他选择可以在桌面应用程序中使用它吗？对于我的应用程序来说，仅使用Web技术是必不可少的，因此我无法查询实际的编程API，需要使用javascript API。
javascript google-chrome chromium webspeech-api google-speech-api
我想创建一个应该在后台监听hotword的服务,这样当我打招呼时它应该调用一个活动,我怎么能这样做,关于voiceInteractionService但是我已经读过它不能使用它,是真的吗？有谁能告诉我应该如何解决这个问题？它关于热词检测器
我一直在关注这个
试过这个:
public class InteractionService extends VoiceInteractionService {
static final String TAG = "InteractionService" ;
private AlwaysOnHotwordDetector mHotwordDetector;
@Override
public void onCreate() {
super.onCreate();
Log.i(TAG, "service started");
}
@Override
public void onReady() {
super.onReady();
Log.i(TAG, "Creating " + this);
mHotwordDetector = createAlwaysOnHotwordDetector("Hello"
, Locale.forLanguageTag("en-US"), mHotwordCallback);
Log.i(TAG, "onReady");
}
private final AlwaysOnHotwordDetector.Callback mHotwordCallback =
new AlwaysOnHotwordDetector.Callback() {
@Override
public void onAvailabilityChanged(int status) {
Log.i(TAG, "onAvailabilityChanged(" + status + ")");
hotwordAvailabilityChangeHelper(status);
}
@Override
public void onDetected(AlwaysOnHotwordDetector
.EventPayload eventPayload) {
Log.i(TAG, …将OGG_OPUS提交到谷歌语音API中似乎存在问题,它不会返回任何结果并退出,但转换为LINEAR16时相同的示例工作正常.
使用带有同步提交的标准python库,为每个样本提供以下参数:
sample = speech_client.sample(
content,
source_uri=None,
encoding='LINEAR16',
sample_rate_hertz=16000)
sample = speech_client.sample(
content,
source_uri=None,
encoding='OGG_OPUS',
sample_rate_hertz=16000)
样品通过以下方式转换为LINEAR16:
./ffmpeg-git-20170621-64bit-static/ffmpeg -i ./audio.opus -acodec libopus -b:a 16000 -f s16le -acodec pcm_s16le output.raw
原始音频通过Chrome在58的js中通过MediaRecorder录制:https: //developer.mozilla.org/en-US/docs/Web/API/MediaRecorder 就Opus音频而言,使用以下构造函数参数似乎完全没问题:
audioBitsPerSecond=16000
mimeType="audio/webm"
OGG_OPUS返回的错误是:
ValueError: No results returned from the Speech API.
最初我有点困惑,因为OPUS通常将ffprobe注册为48000比特率,但这似乎是由于编解码器默认在48000解码,无论采样率如何.
如何使用recognize_sphinxPython API提高语音到文本转换的准确性？
请找到下面的代码，需要提高准确率基础！
import speech_recognition as sr
# Obtain path to "english.wav" in the same folder as this script
from os import path
AUDIO_FILE = path.join(path.dirname(path.realpath(file)), "english.wav")
AUDIO_FILE = path.join(path.dirname(path.realpath(file)), "french.aiff")
AUDIO_FILE = path.join(path.dirname(path.realpath(file)), "chinese.flac")
# Use the audio file as the audio source
r = sr.Recognizer()
with sr.AudioFile(AUDIO_FILE) as source:
audio = r.record(source) # Read the entire audio file
# Recognize speech using Sphinx
try:
print("Sphinx thinks you said " + r.recognize_sphinx(audio))
except sr.UnknownValueError:
print("Sphinx could not …python speech-recognition speech-to-text cmusphinx google-speech-api
我正在开发一个应用程序，语音作为输入，必须将文本作为输出，它是一个 iOS 应用程序，之前我通过 Siri 套件开发了该应用程序并实现了它。但问题是我说话时没有得到正确的输出。所以，我需要集成 Google 语音而不是 Siri 套件。我无法在我的 iOS 应用程序中找到任何可以集成到 swift 4 的资源。
SFSpeechRecognizer.requestAuthorization { (authStatus) in
var isButtonEnabled = false
switch authStatus {
case .authorized:
isButtonEnabled = true
case .denied:
isButtonEnabled = false
print("User denied access to speech recognition")
case .restricted:
isButtonEnabled = false
print("Speech recognition restricted on this device")
case .notDetermined:
isButtonEnabled = false
print("Speech recognition not yet authorized")
}
OperationQueue.main.addOperation() {
// self.microphoneButton.isEnabled = isButtonEnabled
}
private let speechRecognizer = SFSpeechRecognizer(locale: Locale.init(identifier: "en-US"))!
private var recognitionRequest: …Google Speech API 的SingleUtterance工作原理是什么？根据文档，这是谷歌确定说话者何时说出单个话语的方式。我明白它的作用，但我想知道如何？API 是否只是等待一段时间的“无语”音频？如果是这样，无声音频持续多长时间会触发话语结束？
它是否有其他类型的 AI 算法可以帮助确定某人何时停止说话？
谢谢
我正在构建一个捕获用户音频的应用程序,并分析读者演讲中的不流畅性,因此了解所有形式的不流畅对我来说很重要.
我注意到Google的语音云API语音会自动消除语音中的不流畅.例如:
"所以呃,我可能会在下周这样做"
获取转录为:
"所以我可能会在下周这样做"
有没有办法保持uhh和umms？
尝试运行示例代码，但出现此错误”
Module 'google.cloud.speech_v1p1beta1.types' has no 'RecognitionAudio' member
环境：python3x，linux，已安装和更新的 google-cloud lib
pip install --upgrade google-cloud-speech.
安装了以下
不知道还有什么要检查的。如果您有任何建议，那就太好了
import argparse
import io
def transcribe_file_with_enhanced_model():
"""Transcribe the given audio file using an enhanced model."""
# [START speech_transcribe_enhanced_model_beta]
from google.cloud import speech_v1p1beta1 as speech
client = speech.SpeechClient()
speech_file = 'resources/commercial_mono.wav'
with io.open(speech_file, 'rb') as audio_file:
content = audio_file.read()
audio = speech.types.RecognitionAudio(content=content)
config = speech.types.RecognitionConfig(
encoding=speech.enums.RecognitionConfig.AudioEncoding.LINEAR16,
sample_rate_hertz=8000,
language_code='en-US',
# Enhanced models are only available to projects that
# opt in for audio …我正在尝试将 OGG_OPUS 编码流发送到谷歌的语音到文本流服务。由于 Google 对流请求施加了时间限制，因此我必须以固定的时间间隔将音频流路由到另一个 Google Speech To Text 流会话。
据我了解，OGG流中的页面无法独立读取，因为页面中的数据是通过考虑上一页和下一页的数据来计算的。如果是这样的话，我们是否可以在某个点切断流并用剩余的数据重新创建一个全新的流？在某个点停止并在新流中发送数据是行不通的，因为初始 OGG 标头数据包在第二个流中也不可用。
我知道这个问题可以使用 PCM 数据来解决，因为它没有编码，PCM 流可以在任何点简单地分割并变成一个新的流。由于比特率太高，我无法使用 PCM 流，而且我也不喜欢使用无损质量，因为我正在传输语音数据流。
我想做的是使用 webRTC 对浏览器中录制的视频进行实时转录。用例基本上是实时字幕，就像谷歌环聊一样。
所以我有一个WebRTC程序在浏览器中运行。它将 webm 对象发送回服务器。它们是线性32 音频编码。Google 语音转文本仅接受 Linear16 或 Flac 文件。
有没有办法将线性32实时转换为线性16？
否则，是否有人能够将 webRTC 与 Google 语音连接起来以实现实时转录？
任何关于在哪里寻找解决这个问题的建议都会很棒