google cloud speech-to-text（mp3 to text）

Question

我正在使用google cloud speech-to-text试用帐户服务。我无法从音频文件中获取文本。我不知道具体的编码和采样率Hertz我应该用于比特率128kbps的mp3文件。我尝试了各种选择，但我没有得到转录。

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

我遇到了同样的问题，并通过将其转换为FLAC得以解决。

尝试将音频转换为FLAC并使用

encoding: 'FLAC',

要进行转换，可以使用sox 参考：https://www.npmjs.com/package/sox

Answer 2

根据官方文档（https://cloud.google.com/speech-to-text/docs/encoding）

仅支持以下格式：

• FLAC
• LINEAR16
• MULAW
• AMR
• AMR_WB
• OGG_OPUS
• SPEEX_WITH_HEADER_BYTE

其他任何东西都将被拒绝。

您最好的选择是将MP3文件转换为以下两种格式：

• FLAC。 .NET: How can I convert an mp3 or a wav file to .flac
• 在这种情况下，请使用LINEAR16。您可以使用NAudio。 Converting mp3 data to wav data C#

老实说，与Amazon，IBM和Microsoft相比，Google从一开始就不支持MP3，这很烦人，因为FLAC和LINEAR16无损，因此它迫使我们跳了圈，还增加了带宽使用率，因此很多更大。

Answer 3

现在Beta中支持MP3：

  

MP3 （仅Beta版）。有关详细信息，请参见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，如果未知，可以选择不设置sampleRateHertz。

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

您可以使用多种工具（例如iTunes）找出采样率。 CD品质的音频使用44100赫兹的采样率。在此处阅读更多信息：

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

要在Google SDK中使用此功能，您可能需要使用其中一个定义该功能的Beta SDK。这是Go Beta SDK中的常量：

RecognitionConfig_MP3 RecognitionConfig_AudioEncoding = 8

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