如何让recognize_google正确识别Discord语音聊天录制的音频

核心问题：音频格式不兼容 #

Discord语音采用Opus编码传输，而recognize_google要求输入PCM格式的音频（16kHz采样率、单声道、16位深度）。直接读取录制文件的原始字节流是Opus数据，无法被Google识别服务解析，这是最常见的失败原因。

分步解决方案 #

1. 安装必要依赖

需要解码Opus音频并处理格式转换，安装以下包：

pip install py-cord SpeechRecognition pydub

注：pydub需要ffmpeg支持，Windows/macOS可直接下载ffmpeg并添加到环境变量，Linux通过包管理器安装（如apt install ffmpeg）

2. 修改回调函数，添加音频格式转换

在once_done回调中，先将Opus音频解码并转换为符合要求的PCM格式，再传入recognize_google：

import speech_recognition as sr
from pydub import AudioSegment
import io

async def once_done(sink, channel):
    recognizer = sr.Recognizer()
    for user_id, file in sink.audio_files.items():
        # 重置文件指针到起始位置
        file.fp.seek(0)
        
        # 读取Opus音频并解码
        opus_audio = AudioSegment.from_file(file.fp, format="opus")
        
        # 转换为Google识别要求的格式：16kHz、单声道、16位
        target_audio = opus_audio.set_frame_rate(16000)\
                                 .set_channels(1)\
                                 .set_sample_width(2)
        
        # 将转换后的音频导出为WAV字节流
        pcm_stream = io.BytesIO()
        target_audio.export(pcm_stream, format="wav")
        pcm_stream.seek(0)
        
        # 创建AudioData并识别
        audio_data = sr.AudioData(pcm_stream.read(), 16000, 2)
        try:
            # 可指定语言，比如zh-CN识别中文
            text = recognizer.recognize_google(audio_data, language="zh-CN")
            await channel.send(f"<@{user_id}> 说：{text}")
        except sr.UnknownValueError:
            await channel.send(f"<@{user_id}> 的语音无法识别")
        except sr.RequestError as e:
            await channel.send(f"识别服务请求失败：{str(e)}")

3. 优化识别准确率的额外措施

• 提升音量：如果录制的语音音量过小，可在转换格式前添加增益：

  target_audio = target_audio + 15  # 增加15dB音量，根据实际情况调整
  

• 降噪处理：用speech_recognition的降噪功能预处理音频：

  # 在创建AudioData后添加
  audio_data = recognizer.adjust_for_ambient_noise(audio_data, duration=0.5)
  

• 权限检查：确保Bot拥有CONNECT、SPEAK、RECORD_AUDIO权限，否则无法正常录制音频。

内容的提问来源于stack exchange，提问作者Lederer Guy