如何在Ruby中异步检查Google Speech API输出流的转录结果？

问题根源 #

你的代码里output_stream.any?是阻塞式调用——Gapic的流对象在调用any?时，会一直等待直到有数据返回或者流关闭，这直接导致第二个异步任务被卡住，进而影响整个Async调度器的执行，连发送音频的任务也被阻塞。另外，默认的流式识别配置没有开启临时结果（interim results），这也是你只能在流结束后拿到最终结果的核心原因。

修复步骤 #

• 开启临时结果配置：让Google Speech实时返回中间转录结果，而非仅在流结束后返回最终结果
• 正确处理输出流：放弃loop + any?的阻塞式检查，直接迭代输出流，利用其异步可枚举特性自动处理结果
• 优化异步任务结构：确保音频推送和结果处理的任务并行执行，互不干扰

修改后的代码 #

require 'google/cloud/speech'
require 'gapic-common'
require 'async'

audio_file_path = './output.webm'
speech = Google::Cloud::Speech.speech

audio_content = File.binread audio_file_path
bytes_total   = audio_content.size
bytes_sent    = 0
chunk_size    = 32_000

input_stream = Gapic::StreamInput.new
output_stream = speech.streaming_recognize input_stream

# 开启临时结果，支持实时返回中间转录
config = {
  config: {
    encoding:                 :WEBM_OPUS,
    sample_rate_hertz:        48_000,
    language_code:            "pl-PL",
    enable_word_time_offsets: true,
    enable_interim_results:   true # 关键：添加这一行开启实时临时结果
  }
}
input_stream.push streaming_config: config

Async do |task|
  # 推送音频块的异步任务
  task.async do
    while bytes_sent < bytes_total
      puts "Sending audio chunk"
      chunk = audio_content[bytes_sent, chunk_size]
      input_stream.push audio_content: chunk
      puts "Sent audio chunk (#{bytes_sent + chunk.size}/#{bytes_total})"
      bytes_sent += chunk_size
      sleep 1 # 模拟麦克风实时流的间隔
    end

    puts "Finished sending audio, closing input stream"
    input_stream.close
  end

  # 处理识别结果的异步任务
  task.async do
    puts "Waiting for recognition results..."
    # 直接迭代output_stream，有结果时自动触发回调
    output_stream.each do |response|
      response.results.each do |result|
        # 区分临时结果和最终结果
        result_type = result.is_final ? "最终结果" : "临时结果"
        puts "#{result_type}: #{result.alternatives.first.transcript}"
        # 如果需要处理单词时间偏移，可取消下面注释
        # result.alternatives.first.words.each do |word|
        #   puts "Word: #{word.word}, start: #{word.start_time.seconds}, end: #{word.end_time.seconds}"
        # end
      end
    end
    puts "Recognition stream closed"
  end
end

关键说明 #

• enable_interim_results: 这个参数是实现实时转录的核心，开启后Google Speech会在音频流传输过程中不断返回中间识别结果，而非等流结束才返回最终结果
• output_stream.each: Gapic的输出流是异步迭代器，each方法会在后台等待结果，不会阻塞整个Async调度器，能和音频推送任务并行执行
• 避免阻塞式检查: 不要用any?、first这类会阻塞等待的方法，直接用迭代器处理结果是最安全的异步方式

Rails WebSocket场景适配提示 #

把上述逻辑整合到WebSocket控制器时：

• 客户端通过WebSocket发送音频块时，直接推送到input_stream
• 当output_stream返回结果时，通过WebSocket将转录文本实时推送给客户端
• 注意在WebSocket连接关闭时，及时关闭input_stream，避免资源泄漏

内容的提问来源于stack exchange，提问作者rebelyer