将 mp3 转换为 LINEAR_16 或 FLAC 格式以用于谷歌云语音

Question

我想通过 Google 的 Cloud Speech API [reference] 运行 mp3 文件 - 但只是每个音频文件的前 15 秒。我正在使用 JavaZoom 建议的导入的 jlayer、mp3spi 和 tritonus 库在 Scala 中工作。到目前为止，我的代码如下所示：

val in = AudioSystem.getAudioInputStream(new URL("mySong.mp3"))
  val baseFormat = in.getFormat
  val decodedFormat = new AudioFormat(AudioFormat.Encoding.PCM_SIGNED,
    16000,
    16,
    baseFormat.getChannels,
    baseFormat.getChannels * 2,
    16000,
    false)

  val audioInputStream = AudioSystem.getAudioInputStream(decodedFormat, in)
  val buffer = new Array[Byte](16000*4*15)
  var i = 0
  while (audioInputStream.available() > 0) {
    i += audioInputStream.read(buffer)
  }

  audioInputStream.close()
  in.close()

 // pass this to API request:
    lazy val recognitionConfig: RecognitionConfig = RecognitionConfig.newBuilder
      .setEncoding(AudioEncoding.LINEAR16)
      .setLanguageCode("en-US")
      .setSampleRateHertz(16000)
      .build

    val request = RecognizeRequest.newBuilder()
      .setAudio(RecognitionAudio.newBuilder().setContent(ByteString.copyFrom(buffer)).build())
      .setConfig(recognitionConfig)
      .build()

但是，当我打印出 ByteString 复制缓冲区的值时，它只有 0，并且 API 调用什么也不返回。关于我做错了什么的任何想法？这是我第一次在 Java/Scala 中处理音频，所以我可能会遗漏一些明显的东西......

Answer 1

我遇到了同样的问题。如果音频无法理解或以某种格式编码但未正确解码，以及其他细节，例如音频文件不能是立体声的，它需要是单声道的。 所以我首先使用 ffmpeg 模块将音频从 .mp3 转换为 .flac，如下所示（在 python 中 - 你需要找到它的 scala 版本）：

# turn the video into audio
ff = ffmpy.FFmpeg(inputs={input_file_path: None}, outputs={output_file_path: '-y -vn -acodec flac -ar 16000 -ac 1'})
ff.run()

input_file_path 和out_file_path 是字符串，其中包含输入和输出音频文件位置的路径。注意：您可以使用play命令测试输出音频文件是否转换成功。

完成上述操作后，您现在可以改用AudioFormat.Encoding.FLAC 和AudioEncoding.FLAC。