Google Speech-to-Text API音频转译遗漏大量歌词，求优化方案

• 启用自动多声道检测和声道适配
  你的音频为单声道（FR），可在配置中添加enableSeparateRecognitionPerChannel: true，帮助API更精准处理声道数据；同时检查音频是否存在声道不平衡问题，必要时转成标准单声道或立体声后再提交识别。

• 指定音乐优化模型
  针对歌词识别场景，在请求配置中加入model: 'video'——该模型专门优化了带背景音乐的语音识别，比默认模型更适配歌词提取需求。

• 添加短语提示提升识别精度
  将已知的歌词片段、歌手名或核心词汇加入speechContexts配置，通过高boost值引导API优先匹配目标内容，示例配置：

  {
    encoding: 'FLAC',
    sampleRateHertz: 16000,
    languageCode: 'en-US',
    enableAutomaticPunctuation: true,
    speechContexts: [{
      phrases: ["dirty dirty", "Charlotte Cardin", /* 补充更多核心歌词短语 */],
      boost: 20
    }]
  }
  

• 启用增强识别模式
  在配置中加入useEnhanced: true开启增强模型，同时添加enableWordTimeOffsets: true——增强模型在嘈杂背景（如音乐）下识别表现更优，时间偏移参数也能帮你定位漏识别的段落。

• 预处理音频突出人声
  使用音频工具分离人声与背景音乐，降低背景干扰，比如用ffmpeg执行降噪与人声提取：

  ffmpeg -i h.flac -filter_complex "[0:a]afftdn=nf=-30:tn=-30,arnndn=m=rnnoise-models/denoise-rnn.raw[a]" -map "[a]" cleaned_h.flac
  

  处理后的干净人声能大幅提升API识别完整度。

• 分段处理长音频
  若音频中存在长时间纯音乐段落，可手动分割音频，仅将包含人声的段落提交识别，避免API因无有效语音而跳过内容。

内容的提问来源于stack exchange，提问作者Armen Sanoyan