如何执行实时语音识别? Google语音到文本

Question

我在试着把我的扬声器的声音录下来

我正在把声音从扬声器传到node.js文件(https://askubuntu.com/a/850174)

parec -d alsa_output.pci-0000_00_1b.0.analog-stereo.monitor --rate=16000 --channels=1 | node transcribe.js

这是我的transcribe.js

const speech = require('@google-cloud/speech');

const client = new speech.SpeechClient();

const encoding = 'LINEAR16';
const sampleRateHertz = 16000;
const languageCode = 'en-US';

const request = {
    config: {
        encoding: encoding,
        sampleRateHertz: sampleRateHertz,
        languageCode: languageCode,
    },
    interimResults: false, // If you want interim results, set this to true
};

const recognizeStream = client
    .streamingRecognize(request)
    .on('error', console.error)
    .on('data', data => {
        console.log(
            `Transcription: ${data.results[0].alternatives[0].transcript}`
        );
    });

process.stdin.pipe(recognizeStream);

但是Google语音到文本在1分钟内对流媒体识别有一个限制。因此，我有错误“超过了最大允许的流持续时间65秒。

我怎样才能把溪流分割成块，用沉默来分割，或者用30秒的时间分割成块？

Answer 1

我们可以将音频传输到sox实用程序中，以便以0.3s的持续时间和不超过55s的沉默来分割它。

sox -t raw -r 16k -e signed -b 16 -c 1 - ./chunks/output.wav  silence 1 0.3 0.1% 1 0.3 0.1% trim 0 55 : newfile : restart

现在，我们可以查看新文件块dir，并将其流到Google Cloud语音到文本API。