python - 谷歌云语音到文本没有为 OGG 和 MP3 文件提供输出

Question

我正在尝试在一堆超过 10 分钟的音频文件上对文本执行语音。我不想通过直接上传 wav 文件来浪费云存储桶上的存储空间。所以我使用ffmpeg将文件转换为 ogg 或 mp3，例如:ffmpeg -y -i audio.wav -ar 12000 -r 16000 audio.mp3ffmpeg -y -i audio.wav -ar 12000 -r 16000 audio.ogg出于测试目的，我在一个虚拟 wav 文件上运行语音到文本服务，它似乎工作，我得到了预期的文本。但是由于某种原因，当我使用 ogg 或 mp3 文件时，它没有检测到任何语音。我也不能让 amr 文件工作。
我的代码:

def transcribe_gcs(gcs_uri):
    client = speech.SpeechClient()

    audio = speech.RecognitionAudio(uri=gcs_uri)
    config = speech.RecognitionConfig(
        encoding="OGG_OPUS", #replace with "LINEAR16" for wav, "OGG_OPUS" for ogg, "AMR" for amr
        sample_rate_hertz=16000,
        language_code="en-US",
    )
    print("starting operation")
    operation = client.long_running_recognize(config=config, audio=audio)
    response = operation.result()
    print(response)

我已经正确设置了身份验证，所以这不是问题。
当我在同一音频上运行语音到文本服务但以 ogg 或 mp3(我只是从 mp3 的配置中注释掉编码设置)格式时，它没有响应，只是打印出换行符并完成。
我能做些什么来解决这个问题？

Answer 1

使用 Opus 或 FLAC

不支持 Vorbis(OGG 容器的默认音频格式)。见 Google Cloud Speech-to-Text: Supported Audio Encodings .

MP3 编码是 Beta 功能，仅在 v1p1beta1 中可用。见RecognitionConfig reference documentation详情。

FLAC
FLAC 被压缩但无损。这将产生最佳的语音到文本结果。

ffmpeg -i input.wav -vn output.flac

作品
如果文件空间非常重要，那么在 OGG 中使用 Opus。它可以制作具有出色质量的小文件。

ffmpeg -i input.wav -vn -c:a libopus output.ogg