使用Uberi语音转文本代码调用GCP API遇版本错误求助

我之前碰到过完全一样的问题，来给你拆解下解决方案：

错误根源 #

你用的Uberi的SpeechRecognition库，内部调用的GCP语音转文本API版本是v1beta1——这个旧的测试版本早就被GCP弃用了，现在官方只支持稳定版的v1，所以才会抛出这个版本不匹配的错误。

快速修复现有代码（继续用SpeechRecognition库） #

如果你不想换库，只需要修改SpeechRecognition的源代码就能搞定：

• 找到你Python环境里speech_recognition包的安装路径（比如Lib/site-packages/speech_recognition/__init__.py，根据你的系统可能略有不同）
• 打开__init__.py，搜索v1beta1，找到类似这样的代码行：

  service = build("speech", "v1beta1", credentials=credentials)
  

• 把v1beta1改成v1，保存文件后重启你的脚本就可以正常调用了。

更靠谱的长期方案：直接用GCP官方客户端库 #

第三方库终究会有版本滞后的问题，直接用GCP官方的google-cloud-speech包才是更稳定的选择，这里给你一个完整的实时音频流识别实现：

第一步：安装依赖 #

先把需要的包装上：

pip install google-cloud-speech pyaudio

第二步：完整可运行代码 #

import pyaudio
import threading
import datetime
from google.cloud import speech_v1 as speech
from google.cloud.speech_v1 import types

# 配置参数，根据你的需求修改
RATE = 16000  # 采样率，GCP推荐16000Hz
CHUNK_SIZE = 1024 * 4  # 每次读取的音频块大小
CREDENTIALS_FILE = "your-service-account-key.json"  # 替换成你的GCP凭证文件路径

def log_recognition_result(s):
    """记录识别结果到日志文件"""
    with open('recognition_log2.txt', 'a+', encoding='utf-8') as log_file:
        timestamp = datetime.datetime.now().strftime("[ %d-%b-%Y %H:%M:%S ] ")
        log_file.write(f"{timestamp}{s}\n")

def start_streaming_recognition():
    # 初始化GCP语音客户端
    client = speech.SpeechClient.from_service_account_json(CREDENTIALS_FILE)

    # 配置识别参数
    recognition_config = types.RecognitionConfig(
        encoding=types.RecognitionConfig.AudioEncoding.LINEAR16,
        sample_rate_hertz=RATE,
        language_code="zh-CN",  # 换成你需要的语言，比如"en-US"
        enable_automatic_punctuation=True  # 自动添加标点
    )
    streaming_config = types.StreamingRecognitionConfig(
        config=recognition_config,
        interim_results=False  # 如果要实时看中间识别结果，改成True
    )

    # 生成音频流的生成器函数
    def audio_stream_generator():
        audio_interface = pyaudio.PyAudio()
        stream = audio_interface.open(
            format=pyaudio.paInt16,
            channels=1,
            rate=RATE,
            input=True,
            frames_per_buffer=CHUNK_SIZE
        )
        try:
            while True:
                chunk = stream.read(CHUNK_SIZE)
                yield types.StreamingRecognizeRequest(audio_content=chunk)
        finally:
            # 清理资源
            stream.stop_stream()
            stream.close()
            audio_interface.terminate()

    # 发送流式请求并处理返回结果
    responses = client.streaming_recognize(streaming_config, audio_stream_generator())
    for response in responses:
        if not response.results:
            continue
        top_result = response.results[0]
        if not top_result.alternatives:
            continue
        transcript = top_result.alternatives[0].transcript
        print(f"识别到: {transcript}")
        log_recognition_result(transcript)

if __name__ == "__main__":
    # 启动识别线程
    recognition_thread = threading.Thread(target=start_streaming_recognition)
    recognition_thread.start()
    recognition_thread.join()

代码说明 #

• 用了GCP官方的speech_v1稳定版API，不会出现版本兼容问题
• 支持实时流式识别，比你之前的缓冲分段方式更高效，延迟更低
• 凭证文件单独管理，比直接写在代码里更安全，也方便后续更换
• 可以灵活调整语言、是否返回中间结果、标点设置等参数

额外需要注意的点 #

• 确保你的GCP服务账号已经开通了Cloud Speech-to-Text API，并且给账号分配了Speech User或者Speech Admin的角色
• 如果不想写死凭证文件路径，可以设置环境变量GOOGLE_APPLICATION_CREDENTIALS指向你的凭证文件，代码里就不用指定路径了
• 要是遇到音频格式不兼容的问题，确认采样率、编码（LINEAR16）和声道数（单声道）和代码里的配置一致

内容的提问来源于stack exchange，提问作者Jlingz14