问题排查

如果您在使用 Speech-to-Text 时遇到问题，请查阅以下实用的问题排查步骤。

无法通过针对 Speech-to-Text 的身份验证

您可能会收到一条错误消息，指出您的“应用默认凭据”不可用，或者您可能想了解如何获取 API 密钥以在调用 Speech-to-Text 时使用。

Speech-to-Text 使用应用默认凭据 (ADC) 进行身份验证。

ADC 凭据必须在您调用 Speech-to-Text API 的上下文中可用。例如，如果您在终端中设置 ADC，但在 IDE 的调试程序中运行代码，则代码的执行上下文可能无权访问凭据。在这种情况下，对 Speech-to-Text 的请求可能会失败。

如需了解如何向 ADC 提供凭据，请参阅设置应用默认凭据。

Speech-to-Text 返回一个空响应

Speech-to-Text 可能返回空响应的原因有很多。问题的根源可能是 RecognitionConfig 或音频本身。

RecognitionConfig 问题排查

RecognitionConfig 对象（或 StreamingRecognitionConfig）是 Speech-to-Text 识别请求的一部分。为了正确执行转录，必须设置两个主要类别的字段：

  • 音频配置。
  • 模型和语言。

空响应（例如，您收到空的 {} JSON 响应）的最常见原因之一是提供有关音频元数据的信息错误。如果音频配置字段未正确设置，转录很可能失败，识别模型将返回空的结果。

音频配置包含所提供音频的元数据。您可以使用 ffprobe 命令（它是 FFMPEG 的一部分）来获取音频文件的元数据。

以下示例演示了如何使用 ffprobe 来获取 https://storage.googleapis.com/cloud-samples-tests/speech/commercial_mono.wav 的元数据。

$ ffprobe commercial_mono.wav
[...]
Input #0, wav, from 'commercial_mono.wav':
  Duration: 00:00:35.75, bitrate: 128 kb/s
  Stream #0:0: Audio: pcm_s16le ([1][0][0][0] / 0x0001), 8000 Hz, 1 channels, s16, 128 kb/s

通过使用上述命令，我们可以看到该文件包含：

  • sample_rate_hertz：8000
  • 渠道：1
  • 编码 LINEAR16 (s16)

您可以在 RecognitionConfig 中使用此信息。

空响应的其他与音频相关的原因可能与音频编码有关。以下是一些其他工具和可以尝试的操作：

  1. 播放文件并听一听输出。音频是否清晰，语音是否易于理解？

    如需播放文件，您可以使用 SoX (Sound eXchange) play 命令。下面显示了基于不同音频编码的几个示例。

    FLAC 文件含有文件头，用于指示采样率、编码类型和声道数量。此类文件可通过以下命令进行播放：

    play audio.flac

    LINEAR16 文件不含文件头。要播放此类文件，您必须指定采样率、编码类型和声道数量。LINEAR16 编码必须是 16 位带符号整数，小端字节序。

    play --channels=1 --bits=16 --rate=16000 --encoding=signed-integer \
--endian=little audio.raw

    MULAW 文件也不含文件头，通常使用较低的采样率。

    play --channels=1 --rate=8000 --encoding=u-law audio.raw

  2. 检查数据的音频编码是否与您在 RecognitionConfig 中发送的参数相匹配。例如，如果您的请求指定了 "encoding":"FLAC" 和 "sampleRateHertz":16000，则 SoX play 命令列出的音频数据参数应与这些参数匹配，如下所示：

    play audio.flac

    列出的参数应为：

    Encoding: FLAC
Channels: 1 @ 16-bit
Sampleratehertz: 16000Hz

    如果 SoX 列表显示的 Sampleratehertz 并非 16000Hz，请更改 InitialRecognizeRequest 中的 "sampleRateHertz" 以便匹配。如果 Encoding 不是 FLAC 或 Channels 不是 1 @ 16-bit，则不能直接使用此文件，需要将其转换为兼容的编码（请参阅下一步）。

  3. 如果音频文件不是 FLAC 编码，请尝试使用 SoX 将其转换为 FLAC，然后重复上述步骤播放该文件并验证编码、sampleRateHertz 和声道数。以下是将各种音频文件格式转换为 FLAC 编码的一些示例。

    sox audio.wav --channels=1 --bits=16 audio.flac
sox audio.ogg --channels=1 --bits=16 audio.flac
sox audio.au --channels=1 --bits=16 audio.flac
sox audio.aiff --channels=1 --bits=16 audio.flac

    要将原始文件转换为 FLAC，您需要知道该文件的音频编码。例如，要将 16000Hz 的立体声 16 位带符号小端字节序转换为 FLAC，可使用以下代码：

    sox --channels=2 --bits=16 --rate=16000 --encoding=signed-integer \
--endian=little audio.raw --channels=1 --bits=16 audio.flac

  4. 使用提供的示例音频文件运行快速入门示例或某个示例应用。如果该示例可成功运行，则将示例音频文件替换为您自己的音频文件。

模型和语言配置

选择正确的模型是获得高质量转录结果的关键。Speech-to-Text 提供了多种模型，这些模型已针对不同的使用场景进行了调整，必须选择最适合您的音频的模型。例如，某些模型（如 latest_short 和 command_and_search）是短形式模型，这意味着更适合简短的音频和提示。这些模型可能会在检测到静默期后立即返回结果。另一方面，长模型（例如 latest_short, phone_call, video and default）更适合较长的音频，并且将静默解读音频结尾的敏感度略低。

如果识别结束得太突然或未快速返回，您可能需要进行检查并用其他模型进行试验，以确定是否可以获得更好的转录质量。您可以使用语音界面试验多个模型。

语音识别的意外结果

如果 Speech-to-Text 返回的结果不符合您的预期，请执行以下操作：