Transcripción de voz

La transcripción de voz te permite convertir tus datos de audio de transmisión en texto transcrito en tiempo real. El Asistente de agente hace sugerencias basadas en texto, por lo que los datos de audio se deben convertir antes de poder usarlos. También puedes usar audio transmitido transcrito con Customer Experience Insights para recopilar datos en tiempo real sobre las conversaciones de los agentes (por ejemplo, modelado de temas).

Existen dos formas de transcribir audio de transmisión para usarlo con Agent Assist: mediante la función SIPREC o realizando llamadas de gRPC con datos de audio como carga útil. En esta página, se describe el proceso de transcripción de datos de audio transmitidos con llamadas a gRPC.

La transcripción de voz funciona con el reconocimiento de voz de transmisión de Speech-to-Text. Speech-to-Text ofrece varios modelos de reconocimiento, tanto estándar como mejorados. Agent Assist no restringe los modelos que puedes usar con la transcripción de voz, pero la transcripción de voz solo se admite a nivel de GA cuando se usa con el modelo de telefonía o Chirp 3. Para obtener una calidad de transcripción óptima, se recomienda el modelo Chirp 3, sujeto a disponibilidad regional.

Nota: Para ver si la función de transcripción está disponible en tu idioma, consulta la página de idiomas admitidos.

Requisitos previos

• Crea un proyecto enGoogle Cloud.
• Habilita la API de Dialogflow.
• Comunícate con tu representante de Google para asegurarte de que tu cuenta tenga acceso a los modelos mejorados de Speech-to-Text.

Crea un perfil de conversación

Para crear un perfil de conversación, usa la consola de Agent Assist o llama al método create en el recurso ConversationProfile directamente.

Para la transcripción de voz, te recomendamos que configures ConversationProfile.stt_config como el InputAudioConfig predeterminado cuando envíes datos de audio en una conversación.

Nota: Para habilitar modelos de formato largo (p.ej., el modelo de telefonía o el modelo Chirp 3) para la integración de telefonía, selecciona Use Long Form Model for AA Telephony SipRec Integration en el perfil de conversación. En la siguiente imagen, se muestra la configuración recomendada.

Obtén transcripciones durante el tiempo de ejecución de la conversación

Para obtener transcripciones durante el tiempo de ejecución de la conversación, debes crear participantes para la conversación y enviar datos de audio para cada participante.

Cómo crear participantes

Existen tres tipos de participantes. Consulta la documentación de referencia para obtener más detalles sobre sus roles. Llama al método create en el participant y especifica el role. Solo un participante END_USER o HUMAN_AGENT puede llamar a StreamingAnalyzeContent, lo que se requiere para obtener una transcripción.

Envía datos de audio y obtén una transcripción

Puedes usar StreamingAnalyzeContent para enviar el audio de un participante a Google y obtener la transcripción, con los siguientes parámetros:

• La primera solicitud en la transmisión debe ser InputAudioConfig. (Los campos configurados aquí anulan la configuración correspondiente en ConversationProfile.stt_config). No envíes ninguna entrada de audio hasta la segunda solicitud.

  • audioEncoding debe establecerse en AUDIO_ENCODING_LINEAR_16 o AUDIO_ENCODING_MULAW.
  • model: Es el modelo de Speech-to-Text que deseas usar para transcribir tu audio. Establece este campo en chirp_3. La variante no afecta la calidad de la transcripción, por lo que puedes dejar Speech model variant sin especificar o elegir Use best available.
  • singleUtterance debe establecerse en false para obtener la mejor calidad de transcripción. No debes esperar END_OF_SINGLE_UTTERANCE si singleUtterance es false, pero puedes depender de isFinal==true dentro de StreamingAnalyzeContentResponse.recognition_result para cerrar parcialmente la transmisión.
  • Parámetros adicionales opcionales: Los siguientes parámetros son opcionales. Para obtener acceso a estos parámetros, comunícate con tu representante de Google.
    • languageCode: Es el language_code del audio. El valor predeterminado es en-US.
    • alternativeLanguageCodes: Esta función solo está disponible a nivel de GA para el modelo Chirp 3. Son los idiomas adicionales que se podrían detectar en el audio. El Asistente de agente usa el campo language_code para detectar automáticamente el idioma al comienzo del audio y lo establece de forma predeterminada en todos los turnos de conversación posteriores. El campo alternativeLanguageCodes te permite especificar más opciones para que el Asistente de agente elija.
    • phraseSets: Es el nombre del recurso phraseSet de la adaptación del modelo de Speech-to-Text.
      • Para configurar la adaptación del modelo Chirp 3, agrega frases intercaladas separadas por saltos de línea, sin comas.
      • Para usar la adaptación de modelos con otros modelos, como telephony para la transcripción de voz, primero debes crear el phraseSet con la API de Speech-to-Text y especificar el nombre del recurso aquí.

• Después de enviar la segunda solicitud con la carga útil de audio, deberías comenzar a recibir algunos StreamingAnalyzeContentResponses de la transmisión.

  • Puedes cerrar el flujo a la mitad (o dejar de enviar en algunos lenguajes, como Python) cuando veas que is_final está configurado como true en StreamingAnalyzeContentResponse.recognition_result.
  • Después de que cierres parcialmente la transmisión, el servidor enviará la respuesta que contiene la transcripción final, junto con las posibles sugerencias de Dialogflow o de Agent Assist.

• Puedes encontrar la transcripción final en las siguientes ubicaciones:

  • StreamingAnalyzeContentResponse.message.content.
  • Si habilitas las notificaciones de Pub/Sub, también podrás ver la transcripción en Pub/Sub.

• Inicia una nueva transmisión después de que se cierre la anterior.

  • Reenvío de audio: Los datos de audio generados después del último speech_end_offset de la respuesta con is_final=true a la nueva hora de inicio de la transmisión deben reenviarse a StreamingAnalyzeContent para obtener la mejor calidad de transcripción.

• En el siguiente diagrama, se ilustra cómo funciona la transmisión.

  

Nota: También puedes usar la función extended_streaming o la API de BidiStreamingAnalyzeContent para la integración.

Muestra de código de solicitud de reconocimiento de transmisión continua

En el siguiente muestra de código, se ilustra cómo enviar una solicitud de transcripción por transmisión:

Python

Para autenticarte en Agent Assist, configura las credenciales predeterminadas de la aplicación. Si deseas obtener más información, consulta Configura la autenticación para un entorno de desarrollo local.

# Copyright 2023 Google LLC
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

"""Google Cloud Dialogflow API sample code using the StreamingAnalyzeContent
API.

Also please contact Google to get credentials of this project and set up the
credential file json locations by running:
export GOOGLE_APPLICATION_CREDENTIALS=<cred_json_file_location>

Example usage:
    export GOOGLE_CLOUD_PROJECT='cloud-contact-center-ext-demo'
    export CONVERSATION_PROFILE='FnuBYO8eTBWM8ep1i-eOng'
    export GOOGLE_APPLICATION_CREDENTIALS='/Users/ruogu/Desktop/keys/cloud-contact-center-ext-demo-78798f9f9254.json'
    python streaming_transcription.py

Then started to talk in English, you should see transcription shows up as you speak.

Say "Quit" or "Exit" to stop.
"""

import os
import re
import sys

from google.api_core.exceptions import DeadlineExceeded

import pyaudio

from six.moves import queue

import conversation_management
import participant_management

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")
CONVERSATION_PROFILE_ID = os.getenv("CONVERSATION_PROFILE")

# Audio recording parameters
SAMPLE_RATE = 16000
CHUNK_SIZE = int(SAMPLE_RATE / 10)  # 100ms
RESTART_TIMEOUT = 160  # seconds
MAX_LOOKBACK = 3  # seconds

YELLOW = "\033[0;33m"


class ResumableMicrophoneStream:
    """Opens a recording stream as a generator yielding the audio chunks."""

    def __init__(self, rate, chunk_size):
        self._rate = rate
        self.chunk_size = chunk_size
        self._num_channels = 1
        self._buff = queue.Queue()
        self.is_final = False
        self.closed = True
        # Count the number of times the stream analyze content restarts.
        self.restart_counter = 0
        self.last_start_time = 0
        # Time end of the last is_final in millisec since last_start_time.
        self.is_final_offset = 0
        # Save the audio chunks generated from the start of the audio stream for
        # replay after restart.
        self.audio_input_chunks = []
        self.new_stream = True
        self._audio_interface = pyaudio.PyAudio()
        self._audio_stream = self._audio_interface.open(
            format=pyaudio.paInt16,
            channels=self._num_channels,
            rate=self._rate,
            input=True,
            frames_per_buffer=self.chunk_size,
            # Run the audio stream asynchronously to fill the buffer object.
            # This is necessary so that the input device's buffer doesn't
            # overflow while the calling thread makes network requests, etc.
            stream_callback=self._fill_buffer,
        )

    def __enter__(self):
        self.closed = False
        return self

    def __exit__(self, type, value, traceback):
        self._audio_stream.stop_stream()
        self._audio_stream.close()
        self.closed = True
        # Signal the generator to terminate so that the client's
        # streaming_recognize method will not block the process termination.
        self._buff.put(None)
        self._audio_interface.terminate()

    def _fill_buffer(self, in_data, *args, **kwargs):
        """Continuously collect data from the audio stream, into the buffer in
        chunksize."""

        self._buff.put(in_data)
        return None, pyaudio.paContinue

    def generator(self):
        """Stream Audio from microphone to API and to local buffer"""
        try:
            # Handle restart.
            print("restart generator")
            # Flip the bit of is_final so it can continue stream.
            self.is_final = False
            total_processed_time = self.last_start_time + self.is_final_offset
            processed_bytes_length = (
                int(total_processed_time * SAMPLE_RATE * 16 / 8) / 1000
            )
            self.last_start_time = total_processed_time
            # Send out bytes stored in self.audio_input_chunks that is after the
            # processed_bytes_length.
            if processed_bytes_length != 0:
                audio_bytes = b"".join(self.audio_input_chunks)
                # Lookback for unprocessed audio data.
                need_to_process_length = min(
                    int(len(audio_bytes) - processed_bytes_length),
                    int(MAX_LOOKBACK * SAMPLE_RATE * 16 / 8),
                )
                # Note that you need to explicitly use `int` type for substring.
                need_to_process_bytes = audio_bytes[(-1) * need_to_process_length :]
                yield need_to_process_bytes

            while not self.closed and not self.is_final:
                data = []
                # Use a blocking get() to ensure there's at least one chunk of
                # data, and stop iteration if the chunk is None, indicating the
                # end of the audio stream.
                chunk = self._buff.get()

                if chunk is None:
                    return
                data.append(chunk)
                # Now try to the rest of chunks if there are any left in the _buff.
                while True:
                    try:
                        chunk = self._buff.get(block=False)

                        if chunk is None:
                            return
                        data.append(chunk)

                    except queue.Empty:
                        break
                self.audio_input_chunks.extend(data)
                if data:
                    yield b"".join(data)
        finally:
            print("Stop generator")


def main():
    """start bidirectional streaming from microphone input to Dialogflow API"""
    # Create conversation.
    conversation = conversation_management.create_conversation(
        project_id=PROJECT_ID, conversation_profile_id=CONVERSATION_PROFILE_ID
    )

    conversation_id = conversation.name.split("conversations/")[1].rstrip()

    # Create end user participant.
    end_user = participant_management.create_participant(
        project_id=PROJECT_ID, conversation_id=conversation_id, role="END_USER"
    )
    participant_id = end_user.name.split("participants/")[1].rstrip()

    mic_manager = ResumableMicrophoneStream(SAMPLE_RATE, CHUNK_SIZE)
    print(mic_manager.chunk_size)
    sys.stdout.write(YELLOW)
    sys.stdout.write('\nListening, say "Quit" or "Exit" to stop.\n\n')
    sys.stdout.write("End (ms)       Transcript Results/Status\n")
    sys.stdout.write("=====================================================\n")

    with mic_manager as stream:
        while not stream.closed:
            terminate = False
            while not terminate:
                try:
                    print(f"New Streaming Analyze Request: {stream.restart_counter}")
                    stream.restart_counter += 1
                    # Send request to streaming and get response.
                    responses = participant_management.analyze_content_audio_stream(
                        conversation_id=conversation_id,
                        participant_id=participant_id,
                        sample_rate_herz=SAMPLE_RATE,
                        stream=stream,
                        timeout=RESTART_TIMEOUT,
                        language_code="en-US",
                        single_utterance=False,
                    )

                    # Now, print the final transcription responses to user.
                    for response in responses:
                        if response.message:
                            print(response)
                        if response.recognition_result.is_final:
                            print(response)
                            # offset return from recognition_result is relative
                            # to the beginning of audio stream.
                            offset = response.recognition_result.speech_end_offset
                            stream.is_final_offset = int(
                                offset.seconds * 1000 + offset.microseconds / 1000
                            )
                            transcript = response.recognition_result.transcript
                            # Half-close the stream with gRPC (in Python just stop yielding requests)
                            stream.is_final = True
                            # Exit recognition if any of the transcribed phrase could be
                            # one of our keywords.
                            if re.search(r"\b(exit|quit)\b", transcript, re.I):
                                sys.stdout.write(YELLOW)
                                sys.stdout.write("Exiting...\n")
                                terminate = True
                                stream.closed = True
                                break
                except DeadlineExceeded:
                    print("Deadline Exceeded, restarting.")

            if terminate:
                conversation_management.complete_conversation(
                    project_id=PROJECT_ID, conversation_id=conversation_id
                )
                break


if __name__ == "__main__":
    main()