如何使用谷歌语音 api 翻译实时流媒体？

Question

这是 Google Speech API 文档：https://cloud.google.com/speech/docs/sync-recognize

我尝试了这个 API 2 周，但仍然无法解决我的主要目的（翻译直播）。

我正在使用 PHP。 （其他语言建议可以，我自己找）

我可以在 2 周内做什么：

1. 同步语音识别（

2. 异步语音识别（>1 分钟和 注意：我可以修改它以接受 3 小时视频。

3. 来自麦克风的实时语音识别：https://www.google.com/intl/en/chrome/demos/speech.html

4. 更新：执行音频持续时间少于 6 秒的流式 API。

我不能做的是：

1. 如何翻译直播。例如：无线电流（允许延迟）

2. 如何在播放视频/音频时进行翻译。 （允许延迟）

更新：

我也在 google github 上问过这个问题。但由于没有答案，我问here。

总结：

我可以执行语音流，但只能使用 6 秒的音频。这不像我预期的那样。我的期望是识别无限持续时间（似乎我们不知道无线电流何时结束）。

感谢您的帮助。非常感谢

更新：

批准我不能使用超过 6 秒的视频。所以我写了这个：

我试试这个视频interview.mp4 并使用这个ffmpeg -i interview.mp4 -c:a flac -ar 16000 -ac 1 -sample_fmt s16 interview.flac 用ffmpeg 将它转换为interview.flac。

我使用此library 使用此命令转录视频：

php speech.php transcribe --encoding FLAC --language-code en-US --sample-rate 16000 --stream interview.flac

结果是：

  [Google\GAX\ApiException]
  Invalid 'audio_content': too long.

不能太长，因为视频时长只有 48 秒。这是 ffmpeg 结果的元数据：

Output #0, flac, to 'interview.flac':
  Metadata:
    major_brand     : isom
    minor_version   : 512
    compatible_brands: isomiso2avc1mp41
    encoder         : Lavf57.72.101
    Stream #0:0(und): Audio: flac, 16000 Hz, mono, s16, 128 kb/s (default)
    Metadata:
      handler_name    : SoundHandler
      encoder         : Lavc57.92.100 flac
size=     810kB time=00:00:48.01 bitrate= 138.1kbits/s speed= 108x
video:0kB audio:801kB subtitle:0kB other streams:0kB global headers:0kB muxing overhead: 1.019650%

Answer 1

您需要使用StreamingRecognize API call。您可以在 PHP here 中找到这样做的示例。