我觉得我很接近得到我想要的东西，但缺少一个特别的东西。我想使用谷歌的语音转文本引擎，来实时流转音频数据（在这种情况下，来自wav文件，但也可以是stdin），并在应用程序检测到沉默时生成抄本。我开始 用这个代码 也就是 赕 但尽管它说它能流式传输音频，但我只有在它把整个音频文件发送完GCP后才会得到稿件。
我的计划是： 用一个VAD 这样我就可以检测到沉默，或者至少没有声音活动。我的VAD被设置为当检测到0.5秒或3秒的沉默时发送一条消息。当检测到3秒沉默时，我想将上次沉默后的所有数据视为 "短语"。然后把这个发送给GCP，它再发回这个的转码。
到目前为止，我已经成功地检测到了沉默--即VAD的实现工作。和 我已经让STT生成了整个音频文件的转录，然而我苦恼的是，在检测到沉默后和沉默时，把数据砍掉，让GCP生成该位的转录。我想，用一句话来说，我在和我的缓冲区斗争......。
任何帮助非常感激。
顺便说一句，我 认为 这是一种方法，因为GCP STT的实施方式，但我认为这可能不是最好的方法。EOF 将关闭流到STT，在这种情况下，我需要创建一个新的流，当VAD再次检测到语音，并再次调用它。I 决定把我的代码做一个要点，因为这里的代码会比较大.
谢谢你
我建议使用内置功能 察言观色 single_utterancerequest应该在不再检测到语音后自动结束(默认为false)