Google Cloud Speech API可以识别哪些音频文件类型？

Question

我正在尝试使用Google的Cloud Speech API。这里有文档和代码示例：

https://cloud.google.com/speech/docs/basics
https://cloud.google.com/speech/docs/rest-tutorial

如果我将它指向一个包含的文件audio.raw，而不是一个简短的.wav文件，我可以让它运行得很好。

我不知道音频样本文件是什么格式：

$ file audio.raw 
audio.raw: data

对于我的.wav文件，大约有10秒的音频，我得到的结果是空的。

我知道这个答案。

google cloud speech api returning empty result

以前有人问过我的问题，但问题没有答案。

What types of audio are supported by Cloud Speech API?

我无法想象我必须正确地获取音频文件的属性才能使其正常工作。我假设一个常见的用例，我的，是有人记录会议，不知道记录的参数，只是想要一个文本文件。

Answer 1

编辑2020年5月:似乎事情有所改善，这个答案不再正确： 了解有关支持的格式(包括WAV)的详细信息。

截至2016年，WAVe格式似乎不受支持。但是，文档中支持以下格式：

• LINEAR16未压缩的16位有符号小端样本。这是speech.asyncrecognize可以使用的唯一编码。
• FLAC这是推荐用于speech.syncrecognize和StreamingRecognize的编码，因为它使用无损压缩；因此识别精度不会受到有损编解码器的影响。仅支持16位采样。并非STREAMINFO中的所有字段都是使用G.711 PCMU/mu-law.
• AMR自适应多速率窄带编解码器对14位音频样本进行压缩的supported
• MULAW 8位样本。sampleRate必须为8000 Hz。
• AMR_WB自适应多速率宽带编解码器。sampleRate必须为16000 Hz。

https://cloud.google.com/speech/reference/rest/v1beta1/RecognitionConfig#AudioEncoding

Answer 2

根据谷歌云语音文档:语音转文本支持LINEAR16或MULAW编码音频的WAV文件。https://cloud.google.com/speech-to-text/docs/encoding