Блог

Уже 4 дня я усердно работаю над тем, чтобы заставить работать API преобразования речи в текст в облаке Google, но по-прежнему не вижу света в конце туннеля. Много искал в сети, много читал документацию, но результата не вижу.

Наш сайт bbsradio.com , мы пытаемся автоматически извлечь расшифровку из наших mp3-файлов с помощью Google speech-to-text api. Код написан на PHP и почти точная копия этого: https://github.com/GoogleCloudPlatform/php-docs-samples/blob/master/speech/src/transcribe_async.php я вижу, что процесс завершен, и он доступен здесь « $operation->pollUntilComplete(); «, но он не показывает, что он был успешным в « if ($operation->operationSucceeded()) { » и не возвращает никаких ошибок $operation->getError() .

Я конвертирую mp3 в необработанный файл следующим образом: ffmpeg -y -loglevel panic -i /public_html/sites/default/files/show-archives/audio-clips-9-23-2020/911freefall2020-05-24.mp3 -f s16le -acodec pcm_s16le -vn -ac 1 -ar 16000 -map_metadata -1 /home/mp3_to_raw/911freefall2020-05-24.raw

Хотя я пробовал и с форматом FLAC, не сработало. Я протестировал преобразованный файл FLAC с помощью проигрывателя Windows Media, я могу четко прослушивать разговор. Я проверил файлы с частотой 16000 Гц, канал = 1 и его 16 бит. Я вижу, что файл загружен в облачное хранилище. Проверил это:

https://cloud.google.com/speech-to-text/docs/troubleshooting и https://cloud.google.com/speech-to-text/docs/best-practices

Есть много обсуждений и документации, кажется, на данный момент ничего не помогает. Если кто-то действительно может помочь мне разобраться в проблеме, это будет действительно действительно здорово!

TLDR; конвертируйте из MP3 в 1-канальный файл FLAC с той же частотой дискретизации, что и ваш MP3-файл.

Длинное объяснение:

Поскольку вы используете файлы MP3 в качестве входных данных процесса, вероятно, артефакты сжатия MP3 могут повредить вам при повторной дискретизации до 16 кГц (вы не можете этого услышать, но алгоритм будет).

Чтобы подтвердить эту теорию:

• При выполнении ffprobe -hide_banner filename.mp3 он выведет что-то вроде этого:

   Metadata:
    ...
  Duration: 00:02:12.21, start: 0.025057, bitrate: 320 kb/s
    Stream #0:0: Audio: mp3, 44100 Hz, stereo, s16p, 320 kb/s
    Metadata:
      encoder         : LAME3.99r
  

• В этом случае частота дискретизации подходит для Google-Spech-Api. Просто перекодируйте файл без изменения частоты дискретизации (удалите -ar 16000 из вашей команды ffmpeg)

• У вас могут возникнуть проблемы, если исходный битрейт MP3 низкий. 320 КБ / с кажется безопасным (если в записи не много шума).

• Примите во внимание, что голос, перекодированный со скоростью 64 КБ / с (качество линии ISDN), может быть понят человеком только при наличии некоторого шума.

Наконец-то я нашел решение и причину проблемы. На самом деле получение пустых результатов является ошибкой кода php api. Что вам нужно сделать:

Замените это:

 $operation->pollUntilComplete();
  

этим:

 while(!$operation->isDone()){
       $operation->pollUntilComplete();
}
  

Прочитайте это: введите описание ссылки здесь