通过浏览器上的 node.js 将音频流式传输到 Azure 语音 api

Question

我正在通过 node.js 在浏览器上使用 Azure 语音 api 制作语音到文本的演示。 根据此处的API 文档，它确实指定它需要 .wav 或 .ogg 文件。 但是下面的示例通过向 api 发送字节数据来执行 api 调用。

所以我已经以字节数组的形式从麦克风中获取了我的数据。 将其转换为字节并将其发送到 api 是正确的路径吗？ 或者将它保存为 .wav 文件然后发送到 api 对我来说更好吗？

所以下面是我的代码。

这是来自麦克风部分的流。

navigator.mediaDevices.getUserMedia({ audio: true })
    .then(stream => { handlerFunction(stream) })

function handlerFunction(stream) {
    rec = new MediaRecorder(stream);
    rec.ondataavailable = e => {
        audioChunks.push(e.data);
        if (rec.state == "inactive") {
            let blob = new Blob(audioChunks, { type: 'audio/wav; codec=audio/pcm; samplerate=16000' });
            recordedAudio.src = URL.createObjectURL(blob);
            recordedAudio.controls = true;
            recordedAudio.autoplay = true;
            console.log(blob);
            let fileReader = new FileReader();
            var arrayBuffer = new Uint8Array(1024);
            var reader = new FileReader();
            reader.readAsArrayBuffer(blob);
            reader.onloadend = function () {
                var byteArray = new Uint8Array(reader.result);
                console.log("reader result" + reader.result)
                etTimeout(() => getText(byteArray), 1000);
            }
        }
    }
}

这是api调用部分

function getText(audio, callback) {
    console.log("in function audio " + audio);
    console.log("how many byte?: " + audio.byteLength)
    const sendTime = Date.now();
    fetch('https://westus.stt.speech.microsoft.com/speech/recognition/conversation/cognitiveservices/v1?language=en-US', {
        method: "POST",
        headers: {
            'Accept': 'application/json',
            'Ocp-Apim-Subscription-Key': YOUR_API_KEY,
            // 'Transfer-Encoding': 'chunked',
            // 'Expect': '100-continue',
            'Content-type': 'audio/wav; codec=audio/pcm; samplerate=16000'
        },
        body: audio
    })
        .then(function (r) {
            return r.json();
        })
        .then(function (response) {
            if (sendTime < time) {
                return
            }
            time = sendTime
            //callback(response)
        }).catch(e => {
            console.log("Error", e)
        })
}

它返回400 (Bad Request)并说：

{消息：“不支持的音频格式”}

Answer 1

原因：

请注意，您不是通过以下方式创建带有audio/wav mimeType 的MediaRecorder

new Blob(audioChunks,{type:'audio/wav; codec=audio/pcm; samplerate=16000'})

此语句仅是对 blob 的描述。 我使用isTypeSupported测试我的 Chrome(v71)：

MediaRecorder.isTypeSupported("audio/wav")  // return false
MediaRecorder.isTypeSupported("audio/ogg")  // return false
MediaRecorder.isTypeSupported("audio/webm") // return true

似乎 MediaRecorder 只会在audio/webm录制音频。 另外，当我在 Chrome 上运行以下代码时，默认的rec.mimeType是audio/webm;codecs=opus

rec = new MediaRecorder(stream);

根据音频格式 Requiremnts ，目前还不支持audio/webm 。

方法：

在调用getText()之前，我们需要先将webm转换为wav 。 有很多库可以帮助我们做到这一点。 我只是在您的代码之前复制Jam3 的脚本以将webm转换为wav ：

    // add Jam3's script between Line 2 and Line 94 or import that module as you like

    // create a audioContext that helps us decode the webm audio
    var audioCtx = new (window.AudioContext || window.webkitAudioContext)();

    rec = new MediaRecorder(stream,{
        mimeType : 'audio/webm',
        codecs : "opus",
    });

    // ...

    rec.ondataavailable = e => {
        audioChunks.push(e.data);
        if (rec.state == "inactive") {
            var blob = new Blob(audioChunks, { 'type': 'audio/webm; codecs=opus' });
            var arrayBuffer;
            var fileReader = new FileReader();
            fileReader.onload = function(event) {
                arrayBuffer = event.target.result;
            };
            fileReader.readAsArrayBuffer(blob);
            fileReader.onloadend=function(d){
                audioCtx.decodeAudioData(
                    fileReader.result,
                    function(buffer) {
                        var wav = audioBufferToWav(buffer);
                        setTimeout(() => getText(wav), 1000);
                    },
                    function(e){ console.log( e); }
                );
            };
        }
    }

它对我来说很好用：

---

作为旁注，我建议您应该使用后端来调用语音转文本服务。 切勿在浏览器中调用 azure stt服务。 那是因为将您的订阅密钥暴露给前端真的很危险。 任何人都可以检查网络并窃取您的密钥。