Google Cloud Speech-To-Text API 响应不返回单词

Question

我正在尝试使用 Google Cloud Speech-To-Text API 和 Python 在我的应用程序中实现 Speech-To-Text。我正确地得到了转录，但是响应仅包含转录和置信度，而不包含单独的单词。如果我尝试访问这些单词，我会得到一个空列表。

为了访问结果，我使用以下代码：

best_alternative = result.alternatives[0]
word = best_alternative
transcript = best_alternative.transcript
confidence = best_alternative.confidence
print(f'Transcript: {transcript}')
print(f'Confidence: {confidence:.0%}')

打印出

best_alternative.__dict__

给了我成绩单和信心，但不是文字。有什么特殊的方法可以访问成绩单中的单词还是我遗漏了什么？

更新： 最初，我是这样初始化识别配置的：

config = speech.RecognitionConfig(
    encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=RATE,
    language_code=lan_code)
streaming_config = speech.StreamingRecognitionConfig(
        config=config,
        interim_results=True,
        enable_speaker_diarization=True)

使用此配置，返回的响应不包含单词，仅包含文字记录和置信度。然后我将配置更改为：

config = speech.RecognitionConfig()
config.sample_rate_hertz = 16000
config.language_code = 'en-US'
config.encoding = speech.RecognitionConfig.AudioEncoding.LINEAR16
config.enable_speaker_diarization = True

这最终给了我文字、文字和信心。可以使用以下方式访问这些单词：

response.results[0].alternatives[0].words[i].word


    

Answer 1

根据 Cloud Speech-to-Text API REST documentation，

speech.recognize

方法针对每个转录结果 results[] 对象沿着

SpeechRecognitionResult

返回语音识别响应，而 SpeechRecognitionAlternative 检索

transcript

、

confidence

、

 words[]

在特定假设内。

查看 Python Google google-cloud-speech 库实现，我承认对于真正的

SpeechRecognitionAlternative()

class，我们可以发现每个识别单词的特定于单词的信息列表 WordInfo。

print("Words: {}".format(result.alternatives[0].words[0].word))

Answer 2

设置 RecognitionFeatures 时，您需要指定 both

enable_word_time_offsets=True

和

enable_word_confidence=True

。仅请求时间偏移，

words

字段对我们来说始终为空。

来源：我在 Cloud Speech-to-Text gRPC API 中遇到了同样的问题，WordInfo 数组始终为空。问题的UPDATE部分提供的答案有点神秘，但让我们相信这是默认配置值的一些问题。

Answer 3

我正在研究这个问题，花了很多时间后，我意识到音频文件必须满足speech.RecognitionConfig 格式。我采用了 FFmpeg 库并根据pepe.RecognitionConfig 格式转换了我的音频文件。对话完成后，我只需将audioBytes对话的输出文件路径传递给recognitionAudio，就得到了语音转录的文本。就是这样。