Google Cloud Speech-to-Text处理OGG、MP3音频无识别输出怎么办

具体修复操作 #

• 修正ffmpeg转码的参数错配
  现有转码命令存在参数误用：-ar是音频采样率指定参数，-r是视频流帧率参数，转纯音频文件时加-r没有任何作用；同时命令将音频采样率设为12000Hz，但识别配置中填写的采样率是16000Hz，参数不匹配会导致服务解码时无法正确解析音频流，直接返回空结果。
  适配语音识别服务的正确转码命令如下：

  # 生成符合OGG_OPUS编码要求的文件
  ffmpeg -y -i audio.wav -ar 16000 -c:a libopus -b:a 32k audio.ogg
  # 生成MP3格式文件
  ffmpeg -y -i audio.wav -ar 16000 -b:a 32k audio.mp3
  # 生成符合AMR编码要求的文件
  ffmpeg -y -i audio.wav -ar 8000 -c:a libamr_nb audio.amr
  

• 严格匹配识别配置与实际文件属性
  之前生成的OGG文件如果没有显式指定libopus编码器，ffmpeg默认输出的是OGG Vorbis编码，即使配置中填写OGG_OPUS，也会因为编码流不匹配导致识别失败。转码时必须显式指定对应编码器，确保文件实际编码和配置中的encoding参数完全对应。
  注意：长时语音识别接口不会自动探测音频编码格式，不要通过注释encoding参数的方式让服务自动适配MP3文件——这种场景下服务会因为找不到明确的编码标识，直接判定为无效音频，不会输出任何识别结果。如果服务不支持MP3编码的识别，优先选用OGG_OPUS格式转码，压缩率和识别兼容性都远优于MP3。
• 统一采样率参数校验
  长时识别接口对采样率的一致性校验精度高于短音频接口，只要实际文件采样率和配置中填写的sample_rate_hertz数值不一致，就会直接跳过解码流程，不返回任何识别文本。转码完成后可以用ffprobe audio.ogg命令核对文件实际采样率，确保和配置值完全一致。

内容的提问来源于stack exchange，提问作者Vedant Jumle