Python调用Google Speech API返回全部历史单词而非当前转录单词的问题

这不是API Bug，是Google Speech-to-Text流式识别的设计行为：

• 当启用单词级时间戳或说话人分离功能时，result.alternatives[0].words会累积存储从会话开始到当前时刻的所有识别单词，而非仅当前片段的内容。
• 而transcript字段在流式返回的非最终结果中，会呈现当前增量片段的文本；当result.is_final=True时，transcript是当前完整话语的文本，但words依然是全局累积的。

过滤当前片段单词的方法 #

可以通过两种方式获取当前片段的单词：

方法1：基于历史计数增量过滤

通过记录上一次处理的单词总数，每次只提取新增的单词部分，适合处理is_final标记的完整话语：

# 在类初始化时新增变量，记录上一次处理的单词数
self.last_processed_word_count = 0

if not response.results:
    continue

result = response.results[0]
if not result.alternatives:
    continue

transcript = result.alternatives[0].transcript
confidence = result.alternatives[0].confidence
words = result.alternatives[0].words

if result.is_final:
    print("*******************")
    sensory_log.info(f"Final STT output: {transcript}")
    print(f"Confidence: {confidence:.2f}")
    self.process_input(transcript)

    # 提取当前片段的单词：仅本次新增的部分
    current_segment_words = words[self.last_processed_word_count:]
    self.last_processed_word_count = len(words)

    if current_segment_words:
        print(current_segment_words)
        # 统计当前片段的说话人
        speaker_ids = []
        for word in current_segment_words:
            print(f"Word: {word.word} (speaker_tag: {word.speaker_tag})")
            if word.speaker_tag not in speaker_ids:
                speaker_ids.append(word.speaker_tag)
        
        print(f"Detected {len(speaker_ids)} speakers")

方法2：基于时间戳过滤

如果需要在非最终结果中获取当前片段的单词，可以对比当前结果的时间范围与单词的时间戳（需提前启用时间戳功能）：

if not response.results:
    continue

result = response.results[0]
if not result.alternatives:
    continue

transcript = result.alternatives[0].transcript
confidence = result.alternatives[0].confidence
words = result.alternatives[0].words

# 获取当前结果的时间范围
current_start = result.start_time.total_seconds()
current_end = result.end_time.total_seconds()

# 过滤出属于当前片段的单词
current_segment_words = [
    word for word in words
    if word.start_time.total_seconds() >= current_start 
    and word.end_time.total_seconds() <= current_end
]

# 后续处理逻辑...

注意事项 #

• 必须在初始化SpeechClient时，明确启用单词级时间戳和说话人分离配置，否则words字段不会返回数据。
• 流式识别的非is_final结果是临时增量，建议优先在is_final=True时处理完整话语的说话人信息，避免重复计算。

内容的提问来源于stack exchange，提问作者JackKalish