Cloud Speech-to-Text API C++客户端库语音活动检测与超时处理问题

场景与需求 #

• 触发唤醒词后，将麦克风数据流式发送至Google语音识别服务
• 核心目标：激活后若用户立即沉默，停止向服务发送静音数据，计划通过VoiceActivityTimeout实现该逻辑

当前修改代码（基于streaming_transcribe_singlethread.cc） #

private:
    Handler(google::cloud::CompletionQueue cq, ParseResult args)
        : cq_(std::move(cq)), file_(args.path, std::ios::binary) {
      auto& streaming_config = *request_.mutable_streaming_config();
      *streaming_config.mutable_config() = std::move(args.config);

    // 自定义修改部分
    streaming_config.set_single_utterance(true);
    streaming_config.set_enable_voice_activity_events(true);
    auto& timeout = *streaming_config.mutable_voice_activity_timeout();
    auto& duration = *timeout.mutable_speech_start_timeout();
    duration.set_seconds(1);
    // 修改结束

预期与实际结果 #

• 预期：测试10秒静音文件时，服务在1秒内检测到无语音活动，终止转录流程
• 实际：程序连续发送3次64k数据后，输出错误：

  ./streaming_transcribe_singlethread silence.wav 
  Sending 64k bytes.
  Sending 64k bytes.
  Sending 64k bytes.
  Error in transcribe stream: CANCELLED: The operation was cancelled.
  

• 调整speech_start_timeout的秒数，结果无变化

求助点 #

• 不熟悉Protobuf中VoiceActivityTimeout的工作机制与正确实现方式
• 找不到相关设置与超时处理的示例，需要指出当前代码的错误，并解释正确的配置逻辑

内容的提问来源于stack exchange，提问作者Nullarity