如何使用Google Cloud Speech Transcription for Video Intelligence实现全视频自动分析

核心逻辑 #

Google Cloud Video Intelligence 根本不需要你手动算出整个视频的总时长再传片段范围——只要你在VideoContext配置里不主动传segments参数，服务默认就会把输入URI对应的视频从头到尾全量执行分析。
你现有代码只能输出55-80秒区间的分析结果，纯粹是因为手动构造了固定时间范围的VideoSegment对象，强行把分析范围锁死在了这一段里。

具体修改步骤 #

• 把原有代码里手动构造VideoSegment、配置起止时间戳、把segment打包成列表传给函数的几行全部删掉。
• 调用transcribe_speech函数时，不要传入自定义的分段参数，保持函数默认的segments=None配置即可。
• 在函数内部加一个简单判断：只有当用户显式传入分段参数时，才将segments字段挂载到VideoContext配置上。不要图省事直接传空列表[]，部分客户端版本会把空列表解析为「无有效分析范围」，最后返回空结果，白白等待服务处理时间。

调整后可直接运行的代码 #

video_uri = "gs://cloudmleap/video/next/JaneGoodall.mp4"
language_code = "en-GB"
# 不传入任何分段参数，自动触发全片分析
response = transcribe_speech(video_uri, language_code)

def transcribe_speech(video_uri, language_code, segments=None):
    video_client = videointelligence.VideoIntelligenceServiceClient()
    features = [enums.Feature.SPEECH_TRANSCRIPTION]
    config = types.SpeechTranscriptionConfig(
        language_code=language_code,
        enable_automatic_punctuation=True,
    )
    # 动态构造VideoContext配置，仅在有分段需求时添加segments字段
    context_config = {
        "speech_transcription_config": config,
    }
    if segments is not None:
        context_config["segments"] = segments
    context = types.VideoContext(**context_config)

    print(f'Processing video "{video_uri}"...')
    operation = video_client.annotate_video(
        input_uri=video_uri,
        features=features,
        video_context=context,
    )
    return operation.result()

顺带修复你原有代码的小误区 #

你之前写的segment.start_time_offset.FromSeconds(55)实际没有生效：protobuf的Duration类中，FromSeconds是用于新建Duration对象的静态构造方法，不是给现有offset字段赋值的实例方法。就算未来需要指定局部片段范围，这种写法也无法正确传递时间参数，正确的赋值写法是segment.start_time_offset.seconds = 55。

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