转换从混音到线性影响音频质量？

Question

我想改变音频编码从穆劳到线性，以便使用线性语音识别模型从谷歌。我使用的是一个电话通道，所以音频是用mulaw编码的，8位，8000 in。当我使用Google模型时，识别一些简短的单字->存在一些问题--基本上它们根本不被识别-> API没有返回--我想知道更改线性或Flac的编码是一个好的实践吗？我已经做到了，但我不能真正衡量这种改善的程度。

Answer 1

无论是对无头音频数据使用最佳做法还是对头型音频数据使用FLAC都是LINEAR16。它们都提供无损编解码器。很好的做法是将采样率设置为16000 Hz，否则您可以设置sample_rate_hertz来匹配音频源的本地采样率(而不是重新采样)。由于提供了各种提高音频质量的方法，您可以使用世界水平的信心来测量响应的准确性。

Answer 2

理想情况下，音频将以使用无损编解码器(如linear16 ot flac )开始录制。但是，一旦你有了它的格式，如骡子，转码，然后发送到谷歌，语音到文字是没有帮助的。

考虑使用model=phone_call和use_enhanced=true来提高电话质量。为了进行快速实验，您可以使用STT https://cloud.google.com/speech-to-text/docs/ui-overview。