Twilio Video 本身不提供内置的语音转文字功能，但可通过下载录制的 .mka 音频文件，再交由第三方 ASR 服务（如 Google Cloud Speech 或 Azure Cognitive Services）完成转录。本文详解完整实现流程，包括下载、格式适配与集成建议。
twilio video 本身不提供内置的语音转文字功能，但可通过下载录制的 `.mka` 音频文件，再交由第三方 asr 服务（如 google cloud speech 或 azure cognitive services）完成转录。本文详解完整实现流程，包括下载、格式适配与集成建议。
Twilio Programmable Video 支持高质量音视频录制，并将音频与视频分别存储为独立轨道（如 .mka 音频容器），但其 Video API 不包含语音识别（ASR）能力——无论是实时转录还是录制后异步转录均未开放。这意味着，若需获取视频通话中语音内容的文字稿，开发者必须自行完成以下三步链路：
-
获取录制元数据并下载音频文件
使用 RecordingInstance 获取录制详情后，通过其 media 子资源下载原始音频（.mka 格式）：
use Twilio\Rest\Client;
$twilio = new Client($sid, $token);
$recording = $twilio->video->recordings($recordingSid)->fetch();
// 获取媒体 URL（需注意：该 URL 具有时效性，通常 24 小时内有效）
$mediaUrl = $recording->media->uri;
// 示例：https://video.twilio.com/v1/Recordings/RT.../Media
// 使用 cURL 或 Guzzle 下载 .mka 文件
$audioContent = file_get_contents($mediaUrl);
file_put_contents('call_audio.mka', $audioContent);-
处理音频格式兼容性
Twilio 输出的音频为 Matroska 容器（.mka），内部编码通常为 Opus。主流 ASR 服务（如 Google Cloud Speech-to-Text、Azure Speech Service、AWS Transcribe）默认不直接支持 .mka。您需提前验证或转换格式：
-
✅ 推荐方案：使用 FFmpeg 转换为 .wav（PCM 16-bit, 16kHz 单声道）或 .flac（无损压缩，兼容性更广）：
ffmpeg -i call_audio.mka -ar 16000 -ac 1 -c:a pcm_s16le call_audio.wav
⚠️ 替代方案：调用 Twilio 的 Compositions API 生成 MP4/MKV 合成文件（含音频轨），再提取音频——但此方式增加延迟与成本，仅当需多轨混合时考虑。
-
提交至 ASR 服务并解析结果
以 Google Cloud Speech-to-Text 为例（REST API）：curl -X POST \ -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \ -H "Content-Type: application/json; charset=utf-8" \ --data '{ "config": { "encoding": "LINEAR16", "sampleRateHertz": 16000, "languageCode": "en-US", "enableWordTimeOffsets": true }, "audio": { "content": "'$(base64 call_audio.wav | tr -d '\n')'" } }' \ "https://speech.googleapis.com/v1/speech:recognize"
关键注意事项：
- ? 访问 media.uri 需确保请求携带有效 Twilio 认证头（Authorization: Basic <base64-encoded-credentials>），否则返回 401；
- ⏱️ .mka 下载链接有效期默认为 24 小时，建议立即处理或持久化存储至自有对象存储；
- ? 若业务对隐私敏感，避免将音频上传至公有云 ASR 服务，可选用本地部署模型（如 Whisper.cpp）或私有化 ASR 解决方案；
- ? 大规模场景下，建议构建异步任务队列（如 RabbitMQ + Worker），避免阻塞主业务流。
综上，Twilio Video 录制音频的转文字本质是“分离式架构”：Twilio 负责可靠采集与存储，ASR 服务专注语言理解。清晰划分职责边界，既保障系统稳定性，也便于按需切换更优识别引擎。
