Google 语音转文本是否会消耗互联网数据来进行 Python 中的静默音频输入？

Question

我目前正在使用 Python 的语音识别库和 Google 的语音转文本功能。我担心的是在音频处理过程中没有检测到语音的情况。尽管没有语音，但我知道音频数据仍然会发送到谷歌进行分析。我正在制作像 Alexa 和 google home 这样的语音助手，需要听到“嘿谷歌”等词。

我的问题是：即使音频输入中没有检测到语音，Google Speech-to-Text 是否也会消耗互联网数据？我想确保不会因无声音频输入而导致不必要的互联网使用。 如何解决这个问题，能否本地识别无声音频。对于此事的任何见解或澄清将不胜感激。谢谢！

Answer 1

假设您的代码如下所示：

import speech_recognition as sr

# obtain audio from the microphone
r = sr.Recognizer()
with sr.Microphone() as source:
    print("Say something!")
    audio = r.listen(source)
print("Google Speech Recognition thinks you said " + r.recognize_google(audio, key="GOOGLE_SPEECH_RECOGNITION_API_KEY"))

在这种情况下，无声片段不会发送到 google API，因为

Recognizer.listen

会在录制之前等待音频达到特定音量。该值可以在初始化

Recognizer

时配置。来自文档：

def listen(self, source, timeout=None, phrase_time_limit=None, snowboy_configuration=None)

记录来自

source

的单个短语 （一个

AudioSource

实例）到一个

AudioData

实例，它 返回。 这是通过等待音频的能量高于

recognizer_instance.energy_threshold

（用户已开始 说话），然后录音，直到遇到

recognizer_instance.pause_threshold

几秒钟不说话或 没有更多的音频输入。不包括结尾的沉默。

timeout

参数是此操作的最大秒数 会等待一个短语开始，然后放弃并抛出一个

speech_recognition.WaitTimeoutError

例外。如果

timeout

是

None

，不会有等待超时。

phrase_time_limit

参数是最大秒数 这将允许短语在停止之前继续并且 返回在时间限制之前处理的短语部分 到达。生成的音频将是当时被切断的短语 限制。如果

phrase_timeout

是

None

，则不会有乐句时间 限制。