如何配置Google Speech to Text API以在转录结果中保留um等口语填充词？

要保留um、ar、like这类口语填充词，你需要在调用API时调整RecognitionConfig的相关配置，具体操作如下：

• 显式关闭默认过滤逻辑，将配置项filter_profanity设置为false，该参数默认开启时除了过滤低俗内容，也会联动降低无实际语义的填充词识别权重，容易直接过滤这类词汇
• 开启口语场景适配，将enable_spoken_punctuation设置为true，开启该参数后，接口不会强制将转录结果转为书面化表达，会保留口语场景下的语气词、填充词
• 通过speech_contexts配置提升目标填充词的识别权重，把需要保留的填充词全部添加到短语列表中，同时设置boost参数为10以上的数值，进一步提高这类词被识别保留的概率

你可以参考以下Python调用示例配置：

from google.cloud import speech_v1p1beta1 as speech

client = speech.SpeechClient()

audio = speech.RecognitionAudio(uri="gs://your-bucket/your-audio-file.wav")
config = speech.RecognitionConfig(
    encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=16000,
    language_code="en-US",
    # 关闭脏词过滤
    filter_profanity=False,
    # 开启口语填充词识别
    enable_spoken_punctuation=True,
    # 提升目标填充词权重
    speech_contexts=[{
        "phrases": ["um", "ar", "er", "like", "you know"],
        "boost": 15
    }]
)

response = client.recognize(config=config, audio=audio)

注意：enable_spoken_punctuation参数需要使用v1p1beta1及以上版本的接口支持，建议优先使用对应版本的SDK调用。异步长音频转录的配置逻辑和上述一致，直接在LongRunningRecognizeConfig中加入相同参数即可。

内容的提问来源于stack exchange，提问作者Don Udawattage