谷歌的语音转文本配置对于 .opus 音频文件是什么样的

Question

我将一个.opus音频文件传递给谷歌的语音到文本api进行转录。我使用以下配置：

• 编码=枚举。识别配置音频编码.OGG_OPUS
• language_code＝"；en-US">
• sample_rate_hertz=16000

我得到以下错误：

google.api_core.exceptions.GoogleAPICallError: None Unable to recognize speech, possible error in encoding or channel config. Please correct the config and retry the request.

我尝试过其他编码，比如FLAC和LINEAR16，并得到None作为输出。

opus音频文件是否需要额外的配置字段？配置文件应该是什么样子？

Answer 1

在浏览了谷歌提供的文档并尝试了几次之后，我找到了解决错误的方法。OGG_OPUS编码需要audio_channel_count的显式配置定义。在我的情况下，音频通道是2，我需要明确定义它。此外，在多通道的情况下，需要将enable_separate_egnition_per_channel设置为True。

对我有效的配置是：

encoding = enums.RecognitionConfig.AudioEncoding.OGG_OPUS
config = {
"audio_channel_count": audio_channel_count,
"enable_separate_recognition_per_channel": enable_separate_recognition_per_channel,
"language_code": language_code,
"sample_rate_hertz": sample_rate_hertz,
"encoding": encoding
}

对于配置文件中的每个参数，我们都要使用正确的值，这一点非常重要。