audio - 在Google Speech to Text API中需要WAV文件的正确编解码器

Question

我正在尝试使用Google Speech to Text API转录WAV音频文件。
除我经常点击的一个WAV文件外，大多数文本提取工作

Unhandled error { Error: 3 INVALID_ARGUMENT: WAV header indicates anunsupported format.

我已推荐 https://cloud.google.com/speech-to-text/docs/encoding

Note: Speech-to-Text supports WAV files with LINEAR16 or MULAW encodedaudio.

并尝试了两种编解码器，但仍然失败。
我试图通过soxi命令获取wav的详细信息

>> soxi org\ hearing.WAV
Input File     : 'org hearing.WAV'
Channels       : 1
Sample Rate    : 22050
Precision      : 13-bit
Duration       : 00:14:59.99 = 19844721 samples ~ 67499.1 CDDA sectors
File Size      : 9.99M
Bit Rate       : 88.8k
Sample Encoding: 4-bit IMA ADPCM

我可以知道编码格式是否支持“4位IMA ADPCM”吗？或对应格式的对应编解码器是什么？
https://cloud.google.com/speech-to-text/docs/encoding#audio-encodings
如果确实不是源文件中受支持的编解码器，是否仍要使用某些GCP功能将其转换为FLAC / WAV支持的编解码器，然后在无需用户手动转换的情况下提取文本？因为我正在与需要虚假友好提取功能的管理人员打交道。

Answer 1

您需要使用enums.RecognitionConfig.AudioEncoding.LINEAR16，这非常适合wav扩展名。
我可以看到您的采样率为22050，您无法将采样率设置为16000。
当我的位深度未设置为16时，我也遇到了问题，因此请将您的位深度设置为16，
通过这些更改，它将起作用。
如果您使用的是 socks ，则可以轻松完成。下面是sox命令，用于更改采样率和位深度。

sox audio.wav -r 16000 -c 1 -b 16 audio_1.wav bandreject 200 3k

我已经使用 bandreject实现了带通滤波器，如果不需要，可以删除此部分。