Итак, я работаю над телеграмм-ботом, который переводит речь в текст с помощью Google Speech-to-text API, но у меня возникают проблемы с аудиофайлами в телеграмме, поскольку вы не всегда получаете правильный тип пантомимы, я Я должен сделать это сам. Я хочу сделать это без сохранения чего-либо локально, поэтому мне нужно работать с потоком байтов. Я использовал Pydub, но он принимает только путь к файлу в качестве аргумента, а не поток байтов.
Существуют ли какие-либо инструменты, которые могут помочь получить кодирование, каналы, частоту кадров и другую информацию из потока байтов?