Ubuntu下Google Cloud实时语音转文本API自监听循环问题求助

核心问题是机器人播放语音时，麦克风捕捉到自身输出导致重复识别，以下是两种可靠的代码层面解决方案，无需依赖系统静音命令：

方案一：直接控制麦克风音频流启停 #

通过暂停/恢复PyAudio的输入流，在机器人说话时切断麦克风输入，结束后恢复。

修改步骤： #

1. 给MicrophoneStream类添加暂停和恢复流的方法：

class MicrophoneStream(object):
    # ... 原有__init__、__enter__、__exit__等方法不变

    def pause_stream(self):
        """暂停麦克风输入流"""
        if self._audio_stream and self._audio_stream.is_active():
            self._audio_stream.stop_stream()

    def resume_stream(self):
        """恢复麦克风输入流"""
        if self._audio_stream and not self._audio_stream.is_active():
            self._audio_stream.start_stream()

2. 修改listen_print_loop函数，在调用speak前后控制流状态（需传入MicrophoneStream实例）：

def listen_print_loop(responses, stream):  # 新增stream参数
    global chat_log
    num_chars_printed = 0
    for response in responses:
        # ... 原有非final结果处理逻辑不变

        else:
            # ... 原有转录结果处理、退出判断逻辑不变

            question = transcript
            answer = ask(question, chat_log)
            chat_log = keepContext(question, answer, chat_log)
            
            # 说话前暂停麦克风
            stream.pause_stream()
            speak(answer)
            # 说话结束后恢复麦克风
            stream.resume_stream()
            
            print(answer)
            num_chars_printed = 0

3. 调用listen_print_loop时传入MicrophoneStream实例：

with MicrophoneStream(RATE, CHUNK) as stream:
    responses = client.streaming_recognize(request, streaming_config=streaming_config)
    listen_print_loop(responses, stream)  # 传入stream实例

方案二：用线程事件过滤麦克风输入 #

通过线程事件标记机器人是否正在说话，在麦克风回调函数中跳过数据入队，避免无效输入进入识别流程。

修改步骤： #

1. 导入threading模块，给MicrophoneStream类添加事件控制：

import threading
import queue
import pyaudio

class MicrophoneStream(object):
    def __init__(self, rate, chunk):
        self._rate = rate
        self._chunk = chunk
        self._buff = queue.Queue()
        self.closed = True
        self._is_speaking = threading.Event()  # 标记是否正在播放语音

    # ... 原有__enter__、__exit__等方法不变

    def _fill_buffer(self, in_data, frame_count, time_info, status_flags):
        # 仅当机器人未说话时，才将麦克风数据加入缓冲区
        if not self._is_speaking.is_set():
            self._buff.put(in_data)
        return None, pyaudio.paContinue

    def start_speaking(self):
        """标记开始播放语音"""
        self._is_speaking.set()

    def stop_speaking(self):
        """标记结束播放语音"""
        self._is_speaking.clear()

2. 修改listen_print_loop函数，在speak前后触发事件：

def listen_print_loop(responses, stream):  # 新增stream参数
    global chat_log
    num_chars_printed = 0
    for response in responses:
        # ... 原有逻辑不变

        else:
            # ... 原有转录结果处理、退出判断逻辑不变

            question = transcript
            answer = ask(question, chat_log)
            chat_log = keepContext(question, answer, chat_log)
            
            stream.start_speaking()
            speak(answer)
            stream.stop_speaking()
            
            print(answer)
            num_chars_printed = 0

3. 调用listen_print_loop时传入MicrophoneStream实例，与方案一调用方式一致。

方案对比 #

• 方案一更直接，彻底切断麦克风输入，适合对识别精度要求高的场景；
• 方案二保留流运行，只是过滤数据，适合需要快速恢复输入的场景，避免流启停的开销。

内容的提问来源于stack exchange，提问作者Jack