如何配置Google Speech-To-Text API生成.vtt/.srt字幕文件

一、REST API调用时的参数配置 #

直接在请求体的config字段中添加outputFormat参数，指定为SRT或VTT即可。示例请求体如下：

{
  "config": {
    "encoding": "LINEAR16",
    "sampleRateHertz": 16000,
    "languageCode": "zh-CN",
    "outputFormat": "SRT"
  },
  "audio": {
    "uri": "gs://your-bucket/audio-file.wav"
  }
}

调用v1/speech:recognize（短音频）或v1/speech:longrunningrecognize（长音频）接口时，将上述请求体作为POST内容发送，返回结果即为对应格式的字幕文本。

二、客户端库（以Python为例）的配置 #

在创建RecognitionConfig对象时，指定output_format参数为对应的枚举值：

from google.cloud import speech_v1p1beta1 as speech

client = speech.SpeechClient()

# 配置音频来源
audio = speech.RecognitionAudio(uri="gs://your-bucket/audio-file.wav")

# 配置识别参数，指定输出格式
config = speech.RecognitionConfig(
    encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=16000,
    language_code="zh-CN",
    output_format=speech.TranscriptOutputFormat.SRT
)

# 短音频识别
response = client.recognize(config=config, audio=audio)
# 长音频识别用以下代码
# operation = client.long_running_recognize(config=config, audio=audio)
# response = operation.result(timeout=90)

# 输出字幕内容
print(response.results[0].alternatives[0].transcript)

三、关键注意事项 #

• 确保使用的API版本为v1或v1p1beta1，旧版本不支持outputFormat参数。
• 处理时长超过1分钟的音频时，必须使用longrunningrecognize接口，配置方式与短音频一致。
• 确认你的Google Cloud账号已启用Speech-To-Text API，并拥有对应的调用权限。

内容的提问来源于stack exchange，提问作者Paulo André de Andrade