Azure Speech To Textで言ってない言葉が返ってくる（誤変換、誤認識ではなく明らかに異なる）

Question

前提・実現したいこと

AzureのSpeechToTextを利用して、入力音声のリアルタイムテキスト変換を行おうとしています。

発生している問題

実際に音声を自分で喋って入力しているんですが、「テストテスト」や「こんにちはよろしく」等の言葉を話しても、
テキスト変換されて返って来たものは、「もし」「もしもし」等になっています。以下実行ログです。

実行時のログ

node index_azure.js
Listening at Port 8080
New Connection Initiated
Continuous Reco Started
A new call has connected.
Starting Media Stream MZfbe576884cb91fd7b6bb2d40xxxxxxx
RECOGNIZING: Text=もし
RECOGNIZED: Text=もし。
RECOGNIZING: Text=もしもし
RECOGNIZED: Text=もしもし。
RECOGNIZING: Text=もし
RECOGNIZED: Text=もし。
RECOGNIZING: Text=もし
Call Has Ended
RECOGNIZED: Text=もし。
NOMATCH: Speech could not be recognized.

    Session stopped event.

実際に喋ったタイミングでテキストが返ってきて表示されるので、入力した音声自体は正しくAzure側に渡せていると思うのですが…

「もし」や「もしもし」等の言葉から察するに、過去にそう喋った内容がいつまでも出ている？のかなと
考えているのですが、nodeの再起動等も何回もしているので、ずっと残っているというのもよくわかりません…

何かテキストの取得方法が間違っている？と思いますが、エラーが出ているわけではないので
どのように対処すればいいのかわかりません。

何かわかりましたらお教え頂けると幸いです。
よろしくお願いいたします。

該当のソースコード

const WebSocket = require("ws");
const express = require("express");
const app = express();
const server = require("http").createServer(app);
const wss = new WebSocket.Server({ server });
const alawmulaw = require("alawmulaw");
const base64 = require("js-base64");
const path = require("path");

const {
  SpeechRecognizer,
  SpeechConfig,
  AudioInputStream,
  AudioConfig,
  AudioStreamFormat,
  ResultReason,
  CancellationReason,
} = require("microsoft-cognitiveservices-speech-sdk");

// Include Azure Speech to Text
const speechConfig = SpeechConfig.fromSubscription("{Key}", "{Region}");
speechConfig.speechRecognitionLanguage = "ja-JP";

// Handle Web Socket Connection
wss.on(
  "connection",
  (connection = (ws) => {
    console.log("New Connection Initiated");

    // Configure Transcription Request
    const azurePusher = AudioInputStream.createPushStream(AudioStreamFormat.getWaveFormatPCM(8000, 16, 1));
    const audioConfig = AudioConfig.fromStreamInput(azurePusher);
    const recognizer = new SpeechRecognizer(speechConfig, audioConfig);

    recognizer.recognizing = (s, e) => {
      console.log(`RECOGNIZING: Text=${e.result.text}`);
    };

    recognizer.recognized = (s, e) => {
      if (e.result.reason == ResultReason.RecognizedSpeech) {
        console.log(`RECOGNIZED: Text=${e.result.text}`);

        wss.clients.forEach((client) => {
          if (client.readyState === WebSocket.OPEN) {
            client.send(
              JSON.stringify({
                event: "interim-transcription",
                text: e.result.text,
              })
            );
          }
        });
      } else if (e.result.reason == ResultReason.NoMatch) {
        console.log("NOMATCH: Speech could not be recognized.");
      }
    };

    recognizer.canceled = (s, e) => {
      console.log(`CANCELED: Reason=${e.reason}`);

      if (e.reason == CancellationReason.Error) {
        console.log(`"CANCELED: ErrorCode=${e.errorCode}`);
        console.log(`"CANCELED: ErrorDetails=${e.errorDetails}`);
        console.log("CANCELED: Did you update the key and location/region info?");
      }

      recognizer.stopContinuousRecognitionAsync();
    };

    recognizer.sessionStopped = (s, e) => {
      console.log("\n    Session stopped event.");
      recognizer.stopContinuousRecognitionAsync();
    };

    recognizer.startContinuousRecognitionAsync(
      () => {
        console.log("Continuous Reco Started");
      },
      (err) => {
        console.trace("err - " + err);
        recognizer.close();
        recognizer = undefined;
      }
    );

    ws.on(
      "message",
      (incoming = (message) => {
        const msg = JSON.parse(message);
        switch (msg.event) {
          case "connected":
            console.log(`A new call has connected.`);

            break;

          case "start":
            console.log(`Starting Media Stream ${msg.streamSid}`);
            break;

          case "media":
            // Write Media Packets to the recognize stream
            let streampayload = base64.decode(msg.media.payload);
            let mulawdata = Buffer.from(streampayload);

            let pcmdata = Buffer.from(alawmulaw.mulaw.decode(mulawdata));
            azurePusher.write(pcmdata.buffer);

            // console.log("\n---------pcm " + pcmdata.length.toString() + "----------");

            //2 let rawPcm = alawmulaw.mulaw.decode(msg.media.payload);
            //2 let uintView = new Uint8Array(rawPcm.buffer);
            //2 azurePusher.write(uintView);

            break;

          case "stop":
            console.log(`Call Has Ended`);
            azurePusher.close();
            recognizer.stopContinuousRecognitionAsync();
            recognizer.close();
            break;
        }
      })
    );
  })
);

//Handle HTTP Request
app.get("/", (req, res) => res.sendFile(path.join(__dirname, "/index.html")));

app.post("/", (req, res) => {
  res.set("Content-Type", "text/xml");

  res.send(`
      <Response>
        <Start>
          <Stream url="wss://${req.headers.host}/"/>
        </Start>
        <Say voice="alice" language="ja-JP">次の60秒間のオーディオをWebSocketからストリーミングします</Say>
        <Pause length="60" />
      </Response>
    `);
});

console.log("Listening at Port 8080");
server.listen(8080);

2021/10/20 追記

<!DOCTYPE html>
<html>

<head>
    <title>Twilio MediaStreams</title>
</head>

<body>
    <h1>Twilio MediaStreams</h1>
    <h3>
        リアルタイムで話した内容がテキストに変換されます
    </h3>
    <p id="transcription-container"></p>
    <script>
        document.addEventListener("DOMContentLoaded", event => {
            webSocket = new WebSocket("ws://localhost:8080");
            webSocket.onmessage = function(msg) {
                const data = JSON.parse(msg.data);
                if (data.event === "interim-transcription") {
                    document.getElementById("transcription-container").innerHTML =
                        data.text;
                }
            };
        });
    </script>
</body>

</html>

Comments

[Tak1wa]

index.htmlの内容も開示可能でしょうか？

[yy_tn]

index.htmlを追記しました。画面の方はただ結果を表示しているだけですので、nodeの方の実行ログの通りに表示されます。