使用Google Speech-to-Text API无法获取WhatsApp音频转录结果求助

我正在搭建工作流，使用Google Speech-to-Text API和N8N转录WhatsApp音频消息，因音频常超过60秒，故采用longrunningrecognize接口。通过Baileys API的webhook获取音频base64编码，发送以下POST请求启动转录：

{  
  "config": {    
    "encoding": "LINEAR16",    
    "sampleRateHertz": 16000,    
    "languageCode": "pt-BR"  
  },  
  "audio": {    
    "content": "{{$node["Code1"].json.audio.content}}"  
  }
}

请求返回操作名称后，我向https://speech.googleapis.com/v1/operations/{{$json.name}}发送GET请求，响应显示操作成功但未返回转录内容：

[  
  {    
    "name": "5289922065129560738",    
    "metadata": {      
      "@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeMetadata",      
      "progressPercent": 100,      
      "startTime": "2025-01-17T15:02:45.872249Z",      
      "lastUpdateTime": "2025-01-17T15:02:46.432154Z"    
    },    
    "done": true,    
    "response": {      
      "@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeResponse",      
      "totalBilledTime": "3s",      
      "requestId": "5289922065129560738"    
    }  
  }
]

官方文档示例的响应包含results字段及转录内容，但我的响应里没有，请问问题出在哪里？

1. 音频编码与格式不匹配 #

你指定的编码是LINEAR16，但WhatsApp的音频默认是OPUS格式（.opus文件），直接将OPUS音频的base64编码按LINEAR16提交，API无法识别有效音频内容，自然不会返回转录结果。

• 解决：在提交前需将WhatsApp的OPUS音频转码为LINEAR16格式（16kHz、单声道、PCM编码）。可在N8N中添加FFmpeg命令行节点，执行转码命令：

  ffmpeg -i input.opus -acodec pcm_s16le -ar 16000 -ac 1 output.wav
  

  再将转码后的WAV文件转为纯base64字符串，填入请求的audio.content字段。

2. Base64编码处理错误 #

检查{{$node["Code1"].json.audio.content}}是否为原始音频文件的纯base64编码：如果包含data:audio/opus;base64,这类前缀，需要先移除前缀，仅保留纯base64字符串再提交给API。

3. 音频内容无法被识别 #

如果音频本身是静音、音量极低，或者实际语言与指定的pt-BR不匹配，API也会返回无results的成功响应。可下载音频文件本地播放验证内容，同时确认语言代码与音频实际语言一致。

4. 额外配置缺失（非核心但需检查） #

若音频是立体声，需在config中添加audioChannelCount: 2参数；若需要标点，可添加enableAutomaticPunctuation: true，但核心问题仍集中在前两点。

内容的提问来源于stack exchange，提问作者Luiz Paes