如何用Azure Speech to Text服务Go SDK解决超时并实现语言检测与转写？

一、解决超时问题 #

你的超时核心原因是误用了识别方法：RecognizeOnceAsync仅针对15秒以内的短音频，如果音频时长超过这个限制，必然会触发超时或无法返回完整结果。需要切换为连续识别模式：

替换为连续识别逻辑 #

修改代码，用StartContinuousRecognitionAsync启动识别，并通过事件回调接收结果：

func recognizingHandler(event speech.SpeechRecognitionEventArgs) {
    defer event.Close()
    fmt.Printf("识别中: %s\n", event.Result.Text)
}

func recognizedHandler(event speech.SpeechRecognitionEventArgs) {
    defer event.Close()
    if event.Result.Reason == speech.ResultReasonRecognizedSpeech {
        fmt.Printf("识别完成: %s\n", event.Result.Text)
        // 获取检测到的语言
        if lang, ok := event.Result.Properties.GetProperty(speech.PropertyIdSpeechServiceConnectionRecognitionLanguage); ok {
            fmt.Printf("检测到语言: %s\n", lang)
        }
    } else if event.Result.Reason == speech.ResultReasonNoMatch {
        fmt.Printf("无匹配结果: %v\n", event.Result.NoMatchDetails)
    }
}

func sessionStoppedHandler(event speech.SessionEventArgs) {
    defer event.Close()
    fmt.Println("会话结束 (ID=", event.SessionID, ")")
    done <- struct{}{}
}

var done = make(chan struct{})

func main() {
    speechKey := os.Getenv("SPEECH_KEY")
    speechRegion := os.Getenv("SPEECH_REGION")

    file := "./OSR_us_000_0010_8k.wav"

    audioConfig, err := audio.NewAudioConfigFromWavFileInput(file)
    if err != nil {
        fmt.Printf("创建音频配置失败: %v\n", err)
        return
    }
    defer audioConfig.Close()

    config, err := speech.NewSpeechConfigFromSubscription(speechKey, speechRegion)
    if err != nil {
        fmt.Printf("创建语音配置失败: %v\n", err)
        return
    }
    defer config.Close()

    // 启用自动语言检测，指定候选语言列表
    config.SetProperty(speech.PropertyIdSpeechServiceConnectionAutoDetectSourceLanguages, "en-US,zh-CN")

    speechRecognizer, err := speech.NewSpeechRecognizerFromConfig(config, audioConfig)
    if err != nil {
        fmt.Printf("创建语音识别器失败: %v\n", err)
        return
    }
    defer speechRecognizer.Close()

    speechRecognizer.SessionStarted(sessionStartedHandler)
    speechRecognizer.Recognizing(recognizingHandler)
    speechRecognizer.Recognized(recognizedHandler)
    speechRecognizer.SessionStopped(sessionStoppedHandler)

    // 启动连续识别
    err = speechRecognizer.StartContinuousRecognitionAsync()
    if err != nil {
        fmt.Printf("启动识别失败: %v\n", err)
        return
    }

    // 等待识别结束
    <-done

    // 停止识别
    err = speechRecognizer.StopContinuousRecognitionAsync()
    if err != nil {
        fmt.Printf("停止识别失败: %v\n", err)
        return
    }
}

二、实现语言检测功能 #

要开启自动语言检测，只需在SpeechConfig中配置候选语言列表，然后在识别结果中提取检测到的语言：

1. 配置候选语言：

// 支持多语言候选，用逗号分隔，按需调整
config.SetProperty(speech.PropertyIdSpeechServiceConnectionAutoDetectSourceLanguages, "en-US,zh-CN")

2. 在recognizedHandler中获取检测结果：

if lang, ok := event.Result.Properties.GetProperty(speech.PropertyIdSpeechServiceConnectionRecognitionLanguage); ok {
    fmt.Printf("检测到语言: %s\n", lang)
}

三、额外排查点 #

• 音频格式检查：确保WAV文件为PCM编码，推荐使用16kHz、16位单声道格式（8kHz格式虽支持，但可能影响识别效率）。
• 环境变量验证：确认SPEECH_KEY和SPEECH_REGION配置正确，区域需与你的Azure Speech服务所在区域完全一致。
• 短音频场景调整：如果确实是15秒以内的短音频仍超时，可延长time.After的等待时长，但优先推荐使用连续识别模式适配多数场景。

内容的提问来源于stack exchange，提问作者djy