javascript - 如何通过 socket.io 将实时音频从浏览器流式传输到 Google Cloud Speech？

Question

我有一个基于 React 的应用程序的情况，我有一个输入，我也想允许语音输入。我可以让它只与 Chrome 和 Firefox 兼容，所以我正在考虑使用 getUserMedia .我知道我将使用 Google Cloud 的 Speech to Text API。但是，我有一些警告:

我希望它能够实时流式传输我的音频数据，而不仅仅是在我完成录制时。这意味着我发现的许多解决方案都不能很好地工作，因为仅保存文件然后将其发送到 Google Cloud Speech 是不够的。

我不相信我的前端有我的 Google Cloud API 信息。相反，我已经在具有我的凭据的后端运行了一项服务，并且我想将音频(实时)流式传输到该后端，然后从该后端流到 Google Cloud，然后将更新发送到我的成绩单他们回到前端。

我已经使用 socket.io 连接到该后端服务，并且我想完全通过套接字来管理它，而不必使用 Binary.js 或类似的东西。

似乎没有一个很好的教程来说明如何做到这一点。我该怎么办？

Answer 1

首先，信用到期:我的大量解决方案是通过引用 vin-ni 的 Google-Cloud-Speech-Node-Socket-Playground project 创建的。 .然而，我不得不为我的 React 应用程序调整它，所以我分享了我所做的一些更改。

我这里的解决方案由四个部分组成，两个在前端，两个在后端。

我的前端解决方案分为两部分:

用于访问我的麦克风的实用程序文件，将音频流式传输到后面
end，从后端取回数据，分别运行一个回调函数
从后端接收数据的时间，然后清理
在完成流式传输或后端抛出时在其自身之后
一个错误。

一个包裹我的 React 的麦克风组件
功能。

我的后端解决方案分为两部分:

处理实际语音识别流的实用程序文件

我的 main.js文件

(这些不需要以任何方式分开；我们的 main.js 文件没有它就已经是一个庞然大物了。)

我的大部分代码都将被摘录，但我的实用程序将完整显示，因为我在涉及的所有阶段都遇到了很多问题。我的前端实用程序文件如下所示:

// Stream Audio
let bufferSize = 2048,
    AudioContext,
    context,
    processor,
    input,
    globalStream;

//audioStream constraints
const constraints = {
    audio: true,
    video: false
};

let AudioStreamer = {
    /**
     * @param {function} onData Callback to run on data each time it's received
     * @param {function} onError Callback to run on an error if one is emitted.
     */
    initRecording: function(onData, onError) {
        socket.emit('startGoogleCloudStream', {
            config: {
                encoding: 'LINEAR16',
                sampleRateHertz: 16000,
                languageCode: 'en-US',
                profanityFilter: false,
                enableWordTimeOffsets: true
            },
            interimResults: true // If you want interim results, set this to true
        }); //init socket Google Speech Connection
        AudioContext = window.AudioContext || window.webkitAudioContext;
        context = new AudioContext();
        processor = context.createScriptProcessor(bufferSize, 1, 1);
        processor.connect(context.destination);
        context.resume();

        var handleSuccess = function (stream) {
            globalStream = stream;
            input = context.createMediaStreamSource(stream);
            input.connect(processor);

            processor.onaudioprocess = function (e) {
                microphoneProcess(e);
            };
        };

        navigator.mediaDevices.getUserMedia(constraints)
            .then(handleSuccess);

        // Bind the data handler callback
        if(onData) {
            socket.on('speechData', (data) => {
                onData(data);
            });
        }

        socket.on('googleCloudStreamError', (error) => {
            if(onError) {
                onError('error');
            }
            // We don't want to emit another end stream event
            closeAll();
        });
    },

    stopRecording: function() {
        socket.emit('endGoogleCloudStream', '');
        closeAll();
    }
}

export default AudioStreamer;

// Helper functions
/**
 * Processes microphone data into a data stream
 * 
 * @param {object} e Input from the microphone
 */
function microphoneProcess(e) {
    var left = e.inputBuffer.getChannelData(0);
    var left16 = convertFloat32ToInt16(left);
    socket.emit('binaryAudioData', left16);
}

/**
 * Converts a buffer from float32 to int16. Necessary for streaming.
 * sampleRateHertz of 1600.
 * 
 * @param {object} buffer Buffer being converted
 */
function convertFloat32ToInt16(buffer) {
    let l = buffer.length;
    let buf = new Int16Array(l / 3);

    while (l--) {
        if (l % 3 === 0) {
            buf[l / 3] = buffer[l] * 0xFFFF;
        }
    }
    return buf.buffer
}

/**
 * Stops recording and closes everything down. Runs on error or on stop.
 */
function closeAll() {
    // Clear the listeners (prevents issue if opening and closing repeatedly)
    socket.off('speechData');
    socket.off('googleCloudStreamError');
    let tracks = globalStream ? globalStream.getTracks() : null; 
        let track = tracks ? tracks[0] : null;
        if(track) {
            track.stop();
        }

        if(processor) {
            if(input) {
                try {
                    input.disconnect(processor);
                } catch(error) {
                    console.warn('Attempt to disconnect input failed.')
                }
            }
            processor.disconnect(context.destination);
        }
        if(context) {
            context.close().then(function () {
                input = null;
                processor = null;
                context = null;
                AudioContext = null;
            });
        }
}

这段代码的主要亮点(除了 getUserMedia 配置，它本身有点冒险)是 onaudioprocess发出的处理器回调 speechData将数据转换为 Int16 后将事件与数据一起发送到套接字。我在上面的链接引用中的主要更改是替换所有功能以使用回调函数(由我的 React 组件使用)实际更新 DOM，并添加一些源代码中未包含的错误处理。

然后，我只需使用以下命令就可以在我的 React 组件中访问它:

onStart() {
    this.setState({
        recording: true
    });
    if(this.props.onStart) {
        this.props.onStart();
    }
    speechToTextUtils.initRecording((data) => {
        if(this.props.onUpdate) {
            this.props.onUpdate(data);
        }   
    }, (error) => {
        console.error('Error when recording', error);
        this.setState({recording: false});
        // No further action needed, as this already closes itself on error
    });
}

onStop() {
    this.setState({recording: false});
    speechToTextUtils.stopRecording();
    if(this.props.onStop) {
        this.props.onStop();
    }
}

(我将我的实际数据处理程序作为 Prop 传递给该组件)。

然后在后端，我的服务处理了 main.js 中的三个主要事件:

// Start the stream
            socket.on('startGoogleCloudStream', function(request) {
                speechToTextUtils.startRecognitionStream(socket, GCSServiceAccount, request);
            });
            // Receive audio data
            socket.on('binaryAudioData', function(data) {
                speechToTextUtils.receiveData(data);
            });

            // End the audio stream
            socket.on('endGoogleCloudStream', function() {
                speechToTextUtils.stopRecognitionStream();
            });

我的 speechToTextUtils 然后看起来像:

// Google Cloud
const speech = require('@google-cloud/speech');
let speechClient = null;

let recognizeStream = null;

module.exports = {
    /**
     * @param {object} client A socket client on which to emit events
     * @param {object} GCSServiceAccount The credentials for our google cloud API access
     * @param {object} request A request object of the form expected by streamingRecognize. Variable keys and setup.
     */
    startRecognitionStream: function (client, GCSServiceAccount, request) {
        if(!speechClient) {
            speechClient = new speech.SpeechClient({
                projectId: 'Insert your project ID here',
                credentials: GCSServiceAccount
            }); // Creates a client
        }
        recognizeStream = speechClient.streamingRecognize(request)
            .on('error', (err) => {
                console.error('Error when processing audio: ' + (err && err.code ? 'Code: ' + err.code + ' ' : '') + (err && err.details ? err.details : ''));
                client.emit('googleCloudStreamError', err);
                this.stopRecognitionStream();
            })
            .on('data', (data) => {
                client.emit('speechData', data);

                // if end of utterance, let's restart stream
                // this is a small hack. After 65 seconds of silence, the stream will still throw an error for speech length limit
                if (data.results[0] && data.results[0].isFinal) {
                    this.stopRecognitionStream();
                    this.startRecognitionStream(client, GCSServiceAccount, request);
                    // console.log('restarted stream serverside');
                }
            });
    },
    /**
     * Closes the recognize stream and wipes it
     */
    stopRecognitionStream: function () {
        if (recognizeStream) {
            recognizeStream.end();
        }
        recognizeStream = null;
    },
    /**
     * Receives streaming data and writes it to the recognizeStream for transcription
     * 
     * @param {Buffer} data A section of audio data
     */
    receiveData: function (data) {
        if (recognizeStream) {
            recognizeStream.write(data);
        }
    }
};

(同样，您并不严格需要此 util 文件，您当然可以将 speechClient 作为 const 放在文件顶部，具体取决于您获取凭据的方式；这正是我实现它的方式。)

最后，这应该足以让你开始做这件事。我鼓励您在重用或修改它之前尽最大努力理解此代码，因为它可能无法为您“开箱即用”，但与我发现的所有其他来源不同，这至少应该让您开始涉及项目的各个阶段。我希望这个答案能防止其他人像我一样遭受痛苦。