问题标签 [google-speech-to-text-api]

我正在构建一个应用程序，以使用启用了扬声器分类的 Google Speech-To-Text转录实时音频流（有关背景，请参阅先前的问题：1、2、3）。理想情况下，输出应如下所示：

虽然我当前的 Google STT 设置可以相对较好地转录输入音频，但扬声器分类并没有像我预期的那样工作。谷歌会在每次回复中发送完整的文字记录，但每次说话人标签（即说话人 1 和说话人 2）都会因先前识别的文本而改变。我已经实现了 Google 的示例 Python 脚本：

这是第一个响应的示例输出：

但下一个回应给出：

当新音频作为输入到达时，模型是否会不断更新？如果是这样，在一个音频流中创建具有多个扬声器的转录服务的好方法是什么？

我不指望银弹，但希望有人能指出我正确的方向。

我正在尝试在我的网络应用程序中实现 Google 的 Speech to Text 转录，但遇到了很多麻烦。

我决定从底层开始，看看我是否至少可以实现他们的 node.js 快速入门示例。在下面的两个示例中（一个旨在转录本地音频文件，另一个旨在转录 uri 中的音频），我最终在控制台中遇到了完全相同的错误：

（节点：4836）UnhandledPromiseRejectionWarning：错误：{ 处的文件不存在，或者它不是文件。ENOENT: 没有这样的文件或目录，lstat '[Path to Project Folder]/{'

URI 示例（基于此）

本地音频文件示例（基于此）

我在这里想念什么？提前致谢！

我的目标是使用语音到文本模型处理多个视频。

令人困惑的是，谷歌有两种似乎做同样事情的产品。

这些产品之间的主要区别是什么？

1. 谷歌云语音转文本：https ://cloud.google.com/speech-to-text/docs/basics

   • Speech-to-Text 具有用于解释音频的“增强视频”模型。

2. 谷歌视频智能：https ://cloud.google.com/video-intelligence/docs/feature-speech-transcription

   • VI 可以选择请求SPEECH_TRANSCRIPTION功能

我正在尝试用谷歌语音将 ivr 电话转录为文本，但我无法分离音频，我只收到一个长文本，我想在用户停止通话和 ivr 响应后通过清除结果来删除它。这是我的代码：

我正在处理没有对话框的谷歌语音到文本 Api，我想在运行时在文本视图上显示文本，同时说话。有什么办法可以显示文字。

我目前正在尝试使用 Google 的德语 STT 引擎。我希望从话语中捕获完整的日期。只要我把月份作为一个词（9 月、10 月……）“Erster Januar 1980”被正确转录，这就可以正常工作。
在德语中，通常不说出月份的名称，而只是说出月份的序数，例如“Erster Erster Neunzehnhundertachtzig”，其中第一个单词是日期，第二个单词是月份，然后是年份。说到这里，谷歌引擎只返回垃圾。我也用 MS Azure 试过了，效果很好。

我现在的问题是：有没有其他人偶然发现这个问题，也许有提示如何解决这个问题？我已经尝试添加一个SpeechContext $FULLDATE，但它没有任何区别。

干杯小号

我试图使用谷歌的这个代码示例：

昨天它工作但由于某种原因现在它不工作，在检查后我意识到问题出 responses = client.streaming_recognize(streaming_config, requests) 在 main 行，但我不知道出了什么问题。

我也尝试了 node js 示例，它工作得很好，所以问题是因为 python 实现。

我在这里使用“使用 Google 云存储文件转录长音频文件”的指南。

但是使用“enable_automatic_punctuation”的“增强视频”模型时速度很慢。每 10 分钟的音频持续时间大约需要 2.5 分钟。

这是我的配置：

有什么方法可以让我们得到更快的响应。对于 10 分钟持续时间的音频文件，语音识别模型 + NLP 标点符号模型真的需要这么长时间吗？ 2 分钟？

我正在使用googleapis包中的 Google Speech To Text API。但是我没有找到任何文档（对于 dart 和颤振）解释如何在发送 RecognizeRequest.fromJson 时使用应用程序资产文件夹中存在的本地音频文件作为音频数据。我想知道如何在代码中使用本地文件代替 _json 中的音频内容。提前致谢。

图 1我使用 Class Token "$OOV_CLASS_ALPHA_SEQUENCE" 后的转录结果

父亲的 [档案]称为Annonymos备忘录 a n n o y m o u s，日期为222019 [ 22 2 2019 ] 电话会议

图 2支持的 Google 类令牌

支持的类令牌

此页面可以显示支持的类标记，用于在gb中使用 Speech-to-Text for English 进行语音适应。

类令牌	描述	口语例子	书面例子
$OOV_CLASS_ALPHANUMERIC_SEQUENCE	一系列字母 [az] 和/或数字。	“abc” “一二三” “a b c 一二三”	美国广播公司 123 ABC123
$OOV_CLASS_ALPHA_SEQUENCE	一系列字母 [az]。	“abc” “cqbc f” “hqqgwrmy o”	美国广播公司 CQBCF HQQGWRMYO

图 3标点符号无法识别

我们审阅了索赔书，被告的撇号回复之前

通过在这个场合。停止段落的问题是我们如何进行问号我说我们可以 在理论上用逗号从精神科医生那里获得报告，但他将不得不进行评估。泌尿系统症状括号 它们是近括号，如果有括号，请考虑影响括号

我在提高听写转录的准确性方面遇到了 2 个麻烦。请看我上面附上的图片。

1. 我使用了带有 Class Token 和 boost 的 Google Speech Adaptation Feature。但仍与图 1 中一样，当拼写名称时，结果并未显示为单词，而是显示为单个字母。在听写中，拼写名称有很多习惯，即使我使用了类标记“$OOV_CLASS_ALPHA_SEQUENCE”，它也没有显示为单词。

2. 另一个问题是标点符号问题。在听写中，人们说，停止，逗号，问号，括号之类的格式。但是我在我的代码中启用了自动标点符号为真，但标点符号仍然不正确并显示为 Image3 中的单词。

有什么办法可以改善这些问题。或者我错过了什么。如果是这样，你能告诉我方法吗？非常感谢您提前提供的时间。

谢谢你。