谷歌ASR识别的最佳做法

最佳做法

本文档包含有关如何将语音数据提供给 Speech-to-Text API 的建议。这些准则旨在提高该服务的效率和准确性并实现合理的响应速度。如果发送到该服务的数据在本文档中所述的参数范围内，则使用 Speech-to-Text API 可以达到最佳效果。

如果您遵循了这些准则，但没有从此 API 获得预期的结果，请参阅问题排查和支持。

为达到最佳效果…	如果可能，请避免…
以 16000 Hz 或更高的采样率采集音频。	采样率较低可能会降低准确性。但是，应避免重新采样。例如，电话中的原生采样率通常为 8000 Hz，这也是应该发送到该服务的采样率。
使用无损编解码器录制和传输音频。建议使用 FLAC 或 LINEAR16。	在录制或传输过程中使用 mp3、mp4、m4a、mu-law、a-law 或其他有损编解码器可能会降低准确性。如果您的音频已经采用了不受此 API 支持的编码，请将其转码为无损 FLAC 或 LINEAR16。如果您的应用必须使用有损编解码器以节省带宽，我们建议使用 AMR_WB、OGG_OPUS 或 SPEEX_WITH_HEADER_BYTE 编解码器（排名分先后）。
识别器旨在忽略背景音和噪音而不进行额外的降噪。但是，为达到最佳效果，请将麦克风放置在尽可能靠近用户的位置，特别是存在背景噪音时。