借助Google API将语音识别转VTT字幕，获取时间戳问题求助

核心修改点 #

要获取时间戳，必须在RecognitionConfig中开启词级时间戳；若音频时长超过1分钟，建议改用异步识别方法避免超时。

修改后的代码示例 #

var speech = SpeechClient.Create();
var config = new RecognitionConfig
{
    AudioChannelCount = 2,
    Encoding = RecognitionConfig.Types.AudioEncoding.Flac,
    SampleRateHertz = 44100,
    LanguageCode = LanguageCodes.English.UnitedStates,
    // 开启词级时间戳，这是获取时间信息的关键配置
    EnableWordTimeOffsets = true
};

var audio = RecognitionAudio.FromFile(filepath);
// 短音频用同步识别，长音频建议用下方注释的异步方法
var response = speech.Recognize(config, audio);

// 生成VTT格式字幕内容
var vttContent = new List<string>();
vttContent.Add("WEBVTT");
vttContent.Add("");

int captionId = 1;
foreach (var result in response.Results)
{
    foreach (var alternative in result.Alternatives)
    {
        if (alternative.Words.Count == 0) continue;
        
        // 取当前识别片段的起始（第一个词的开始）和结束（最后一个词的结束）时间
        var start = alternative.Words[0].StartTime;
        var end = alternative.Words[^1].EndTime;
        
        // 转换为VTT要求的时间格式：HH:MM:SS.mmm
        string startStr = $"{start.Hours:D2}:{start.Minutes:D2}:{start.Seconds:D2}.{start.Nanos / 1000000:D3}";
        string endStr = $"{end.Hours:D2}:{end.Minutes:D2}:{end.Seconds:D2}.{end.Nanos / 1000000:D3}";
        
        // 添加VTT条目
        vttContent.Add($"{captionId}");
        vttContent.Add($"{startStr} --> {endStr}");
        vttContent.Add(alternative.Transcript);
        vttContent.Add("");
        
        captionId++;
    }
}

// 将字幕写入文件
File.WriteAllLines("output.vtt", vttContent);
Console.WriteLine("VTT字幕已生成");

补充说明 #

• 长音频处理：若音频时长超过1分钟，替换同步识别为异步方法避免超时，代码如下：

var operation = speech.LongRunningRecognize(config, audio);
operation = operation.PollUntilCompleted();
var response = operation.Result;

• 时间格式转换：Google API返回的Duration类型时间，需通过Nanos / 1000000计算出毫秒部分，匹配VTT格式要求。

内容的提问来源于stack exchange，提问作者Abdullah Mohamed