我们正尝试通过JAVA客户端使用Google StreamingRecognize方法 . 我们正在从麦克风读取数据并将其发送到语音API . 使用以下设置：识别配置 - LINEAR16,16KHz，en-US我们尝试将不同的缓冲区大小推送到StreamingRecognize（最多16000字节） . 我们观察到获得第一个结果需要至少4-5秒，并且在中期结果流式传输之后 . 任何人都可以确认这是否是API的预期行为 . 也很高兴知道为什么会有如此多的延迟 . 是否有任何方法或工作来最小化延迟 .
请注意，在延迟之后我们得到中期结果，最后得到完整的话语，并且具有合理的准确性
1 回答
我怀疑在描述的上下文中有两种行为是错误的，
不应在Java服务应用中对采样率进行硬编码或固定常量，因为对于安装在相应系统中的每个系统或麦克风适配器，采样率都会有所不同 . 即，8000,16000,41000,48000等，因此您需要从麦克风的音频上下文中选择采样率，并在第一次初始调用中将其发送到Requestconfig setter中的更新 .
如果您在连接握手时通过websocket进行流式传输，请将这些采样率，字节/帧发送到第一个请求观察者，然后从第二个请求开始，您需要跳过第一个请求观察者，并且可以直接传递给第二个请求观察者以获取成绩单 .
如果以上几点不起作用，请分享您的StreamingRecognize类 . 所以我可以相应地调整你的代码