如何用Python提取Google Cloud Speech-to-Text API的纯转录文本？

处理本地JSON文件的方案 #

如果已经把API返回的JSON保存到了本地文件，用Python的json模块就能快速提取需要的转录文本：

import json

# 读取原始JSON文件
with open('speech_output.json', 'r', encoding='utf-8') as f:
    raw_data = json.load(f)

# 提取所有转录结果
transcript_list = []
for result in raw_data['results']:
    # 遍历每个结果下的备选转录（如果只需要最准确的第一个，直接取alternatives[0]即可）
    for alt in result['alternatives']:
        transcript_list.append(alt['transcript'])

# 打印所有转录文本，每行一条
print('\n'.join(transcript_list))

# 也可以保存为简化后的JSON文件
simplified_json = {'transcripts': transcript_list}
with open('clean_transcripts.json', 'w', encoding='utf-8') as f:
    json.dump(simplified_json, f, indent=2)

直接处理API响应的方案 #

如果是用Google Cloud的Python SDK直接调用Speech-to-Text API，可以在获取响应后直接提取，不用先转成JSON：

from google.cloud import speech_v1p1beta1 as speech

# 初始化客户端
client = speech.SpeechClient()

# 这里假设你已经完成了音频识别请求，拿到了response对象
# 示例请求代码（可根据你的音频格式调整）：
# audio = speech.RecognitionAudio(uri="gs://your-bucket/audio-file.wav")
# config = speech.RecognitionConfig(
#     encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
#     sample_rate_hertz=16000,
#     language_code="en-US",
# )
# response = client.recognize(config=config, audio=audio)

# 提取最优转录结果
transcript_list = []
for result in response.results:
    # 取第一个备选结果（通常是置信度最高的）
    best_transcript = result.alternatives[0].transcript
    transcript_list.append(best_transcript)

# 输出结果
print('\n'.join(transcript_list))

关键说明 #

• 如果不需要所有备选转录结果，只保留每个result下的第一个alternative即可，这是API返回的置信度最高的转录文本
• 代码里的文件路径和参数（比如语言代码、音频编码）需要根据你的实际情况调整

内容的提问来源于stack exchange，提问作者Matthias