使用 ML.TRANSCRIBE 函式轉錄音訊檔案

本教學課程說明如何轉錄音訊檔案 (例如客服通話、Podcast 或會議錄音)，擷取文字用於下游分析、關鍵字搜尋或情緒分析。

您將使用 ML.TRANSCRIBE 函式和遠端模型，轉錄儲存在物件資料表中的音訊檔案。

支援的地區

您必須在下列其中一個位置建立本程序使用的遠端模型：

• asia-northeast1
• asia-south1
• asia-southeast1
• australia-southeast1
• eu
• europe-west1
• europe-west2
• europe-west3
• europe-west4
• northamerica-northeast1
• us
• us-central1
• us-east1
• us-east4
• us-west1

您必須在遠端模型所在的區域中執行 ML.TRANSCRIBE 函式。

必要的角色

如要建立遠端模型並轉錄音訊檔案，您必須在專案層級具備下列 Identity and Access Management (IAM) 角色：

• 建立語音辨識器：Cloud Speech 編輯者 (roles/speech.editor)
• 建立及使用 BigQuery 資料集、資料表和模型：BigQuery 資料編輯者 (roles/bigquery.dataEditor)

• 建立、委派及使用 BigQuery 連線：BigQuery 連線管理員 (roles/bigquery.connectionsAdmin)

  如果您未設定預設連線，可以在執行 CREATE MODEL 陳述式時建立並設定。如要執行這項操作，您必須具備專案的 BigQuery 管理員 (roles/bigquery.admin) 角色。詳情請參閱「設定預設連線」。

• 將權限授予連線的服務帳戶：專案 IAM 管理員 (roles/resourcemanager.projectIamAdmin)

• 建立 BigQuery 工作：BigQuery 工作使用者 (roles/bigquery.jobUser)

這些預先定義的角色具備執行本文件所述工作所需的權限。如要查看確切的必要權限，請展開「Required permissions」(必要權限) 部分：

所需權限

• 建立資料集：bigquery.datasets.create
• 建立、委派及使用連線： bigquery.connections.*
• 設定服務帳戶權限：resourcemanager.projects.getIamPolicy和resourcemanager.projects.setIamPolicy
• 建立模型並執行推論：
  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData
  • bigquery.models.updateMetadata
• 建立物件資料表：bigquery.tables.create 和 bigquery.tables.update
• 建立語音辨識器：
  • speech.recognizers.create
  • speech.recognizers.get
  • speech.recognizers.recognize
  • speech.recognizers.update

您或許還可透過自訂角色或其他預先定義的角色取得這些權限。

事前準備

登入 Google Cloud 帳戶。如果您未曾使用過 Google Cloud，歡迎 建立帳戶，親自體驗實際使用我們產品的成效。新客戶還能獲得價值 $300 美元的免費抵免額，用於執行、測試及部署工作負載。

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the BigQuery, BigQuery Connection API, and Speech-to-Text APIs, if any are not already enabled.

Roles required to enable APIs

To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

Enable the APIs

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the BigQuery, BigQuery Connection API, and Speech-to-Text APIs, if any are not already enabled.

Roles required to enable APIs

To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

Enable the APIs

費用

在本文件中，您會使用下列 Google Cloud計費元件：

• BigQuery
• Speech-to-Text

您可以使用 Pricing Calculator，根據預測用量估算費用。

初次使用 Google Cloud 的使用者可能符合免費試用期資格。

建立辨識器

Speech-to-Text 支援稱為辨識器的資源。辨識器代表已儲存且可重複使用的辨識設定。您可以建立辨識器，以邏輯方式將應用程式的語音轉錄或流量分組。

您可以選擇是否要建立語音辨識器。如果選擇建立語音辨識器，請記下辨識器的專案 ID、位置和辨識器 ID，以便在 CREATE MODEL 陳述式中使用，詳情請參閱「SPEECH_RECOGNIZER」。如果選擇不建立語音辨識器，則必須為 ML.TRANSCRIBE 函式的 recognition_config 引數指定值。

您只能在語音辨識工具或提供的 recognition_config 值中，使用 chirp 語音轉錄模型。

建立資料集

建立 BigQuery 資料集來存放資源：

控制台

1. 前往 Google Cloud 控制台的「BigQuery」頁面。

   前往「BigQuery」

2. 點選左側窗格中的 「Explorer」。

   

   如果沒有看到左側窗格，請按一下 「Expand left pane」(展開左側窗格)，開啟窗格。

3. 在「Explorer」窗格中，點選專案名稱。

4. 依序點選 「View actions」(查看動作)>「Create dataset」(建立資料集)。

5. 在「Create dataset」(建立資料集) 頁面執行下列操作：

   1. 在「資料集 ID」部分，輸入資料集名稱。

   2. 在「位置類型」部分，選取「區域」或「多區域」。

      • 如果選取「Region」(區域)，請從「Region」(區域) 清單中選取位置。
      • 如果選取「Multi-region」(多區域)，請從「Multi-region」(多區域) 清單中選取「US」(美國) 或「Europe」(歐洲)。

   3. 點選「建立資料集」。

bq

1. 如要建立新的資料集，請使用 bq mk 指令並加上 --location 旗標：

   bq --location=LOCATION mk -d DATASET_ID

   更改下列內容：

   • LOCATION：資料集的位置。
   • DATASET_ID：您要建立的資料集 ID。

2. 確認資料集已建立：

   bq ls

建立連線

建立 Cloud 資源連結，並取得連結的服務帳戶。建立連線時，請選擇與上一步建立的資料集相同的位置。

如果您已設定預設連線，或具備 BigQuery 管理員角色，則可略過這個步驟。

選取下列選項之一：

控制台

1. 前往「BigQuery」頁面。

   前往「BigQuery」

2. 點選左側窗格中的 「Explorer」。

   

   如果沒有看到左側窗格，請按一下 「Expand left pane」(展開左側窗格)，開啟窗格。

3. 在「Explorer」窗格中展開專案名稱，然後點選「Connections」(連線)。

4. 在「Connections」(連線) 頁面，按一下「Create connection」(建立連線)。

5. 在「連線類型」部分，選擇「Vertex AI 遠端模型、遠端函式、BigLake 和 Spanner (Cloud 資源)」。

6. 在「連線 ID」欄位輸入連線名稱。

7. 在「位置類型」部分，選取連線位置。連線應與資料集等其他資源位於相同位置。

8. 點選「建立連線」。

9. 點選「前往連線」。

10. 在「連線資訊」窗格中，複製服務帳戶 ID，以便在後續步驟中使用。

SQL

使用 CREATE CONNECTION 陳述式：

1. 前往 Google Cloud 控制台的「BigQuery」頁面。

   前往「BigQuery」

2. 在查詢編輯器中輸入下列陳述式：

   CREATE CONNECTION [IF NOT EXISTS] `CONNECTION_NAME`
   OPTIONS (
     connection_type = "CLOUD_RESOURCE",
     friendly_name = "FRIENDLY_NAME",
     description = "DESCRIPTION"
     );

   替換下列內容：

   • CONNECTION_NAME：連線名稱，格式為 PROJECT_ID.LOCATION.CONNECTION_ID、LOCATION.CONNECTION_ID 或 CONNECTION_ID。如果省略專案或位置，系統會根據執行陳述式的專案和位置推論。
   • FRIENDLY_NAME (選用)：連線的描述性名稱。
   • DESCRIPTION (選用)：連線說明。

3. 按一下「 執行」。

如要進一步瞭解如何執行查詢，請參閱「執行互動式查詢」。

bq

1. 在指令列環境中建立連線：

   bq mk --connection --location=REGION --project_id=PROJECT_ID \
       --connection_type=CLOUD_RESOURCE CONNECTION_ID

   --project_id 參數會覆寫預設專案。

   更改下列內容：

   • REGION：連線區域
   • PROJECT_ID：您的 Google Cloud 專案 ID
   • CONNECTION_ID：連線 ID

   建立連線資源時，BigQuery 會建立專屬的系統服務帳戶，並與連線建立關聯。

   疑難排解：如果收到下列連線錯誤，請更新 Google Cloud SDK：

   Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
   

2. 擷取並複製服務帳戶 ID，以便在後續步驟中使用：

   bq show --connection PROJECT_ID.REGION.CONNECTION_ID

   輸出結果會與下列內容相似：

   name                          properties
   1234.REGION.CONNECTION_ID     {"serviceAccountId": "[e-mail]"}
   

Python

在試用這個範例之前，請先按照「使用用戶端程式庫的 BigQuery 快速入門導覽課程」中的 Python 設定操作說明進行操作。詳情請參閱 BigQuery Python API 參考文件。

如要向 BigQuery 進行驗證，請設定應用程式預設憑證。詳情請參閱「設定用戶端程式庫的驗證機制」。

import google.api_core.exceptions
from google.cloud import bigquery_connection_v1

client = bigquery_connection_v1.ConnectionServiceClient()


def create_connection(
    project_id: str,
    location: str,
    connection_id: str,
):
    """Creates a BigQuery connection to a Cloud Resource.

    Cloud Resource connection creates a service account which can then be
    granted access to other Google Cloud resources for federated queries.

    Args:
        project_id: The Google Cloud project ID.
        location: The location of the connection (for example, "us-central1").
        connection_id: The ID of the connection to create.
    """

    parent = client.common_location_path(project_id, location)

    connection = bigquery_connection_v1.Connection(
        friendly_name="Example Connection",
        description="A sample connection for a Cloud Resource.",
        cloud_resource=bigquery_connection_v1.CloudResourceProperties(),
    )

    try:
        created_connection = client.create_connection(
            parent=parent, connection_id=connection_id, connection=connection
        )
        print(f"Successfully created connection: {created_connection.name}")
        print(f"Friendly name: {created_connection.friendly_name}")
        print(
            f"Service Account: {created_connection.cloud_resource.service_account_id}"
        )

    except google.api_core.exceptions.AlreadyExists:
        print(f"Connection with ID '{connection_id}' already exists.")
        print("Please use a different connection ID.")
    except Exception as e:
        print(f"An unexpected error occurred while creating the connection: {e}")

Node.js

在試用這個範例之前，請先按照「使用用戶端程式庫的 BigQuery 快速入門導覽課程」中的 Node.js 設定操作說明進行操作。詳情請參閱 BigQuery Node.js API 參考文件。

如要向 BigQuery 進行驗證，請設定應用程式預設憑證。詳情請參閱「設定用戶端程式庫的驗證機制」。

const {ConnectionServiceClient} =
  require('@google-cloud/bigquery-connection').v1;
const {status} = require('@grpc/grpc-js');

const client = new ConnectionServiceClient();

/**
 * Creates a new BigQuery connection to a Cloud Resource.
 *
 * A Cloud Resource connection creates a service account that can be granted access
 * to other Google Cloud resources.
 *
 * @param {string} projectId The Google Cloud project ID. for example, 'example-project-id'
 * @param {string} location The location of the project to create the connection in. for example, 'us-central1'
 * @param {string} connectionId The ID of the connection to create. for example, 'example-connection-id'
 */
async function createConnection(projectId, location, connectionId) {
  const parent = client.locationPath(projectId, location);

  const connection = {
    friendlyName: 'Example Connection',
    description: 'A sample connection for a Cloud Resource',
    // The service account for this cloudResource will be created by the API.
    // Its ID will be available in the response.
    cloudResource: {},
  };

  const request = {
    parent,
    connectionId,
    connection,
  };

  try {
    const [response] = await client.createConnection(request);

    console.log(`Successfully created connection: ${response.name}`);
    console.log(`Friendly name: ${response.friendlyName}`);

    console.log(`Service Account: ${response.cloudResource.serviceAccountId}`);
  } catch (err) {
    if (err.code === status.ALREADY_EXISTS) {
      console.log(`Connection '${connectionId}' already exists.`);
    } else {
      console.error(`Error creating connection: ${err.message}`);
    }
  }
}

Java

在試用這個範例之前，請先按照「使用用戶端程式庫的 BigQuery 快速入門導覽課程」中的 Java 設定操作說明進行操作。詳情請參閱 BigQuery Java API 參考文件。

如要向 BigQuery 進行驗證，請設定應用程式預設憑證。詳情請參閱「設定用戶端程式庫的驗證機制」。

import com.google.api.gax.rpc.AlreadyExistsException;
import com.google.api.gax.rpc.ApiException;
import com.google.cloud.bigquery.connection.v1.CloudResourceProperties;
import com.google.cloud.bigquery.connection.v1.Connection;
import com.google.cloud.bigquery.connection.v1.CreateConnectionRequest;
import com.google.cloud.bigquery.connection.v1.LocationName;
import com.google.cloud.bigqueryconnection.v1.ConnectionServiceClient;
import java.io.IOException;

public class CreateConnection {

  /**
   * Creates a BigQuery connection to a Cloud Resource. A Cloud Resource connection provisions a
   * service account that can be granted access to other Google Cloud resources for federated
   * queries.
   *
   * @param projectId The Google Cloud project ID (for example, "example-project-id").
   * @param location The geographic location of the connection (for example, "us-central1").
   * @param connectionId The ID of the connection to create (for example, "example-connection-id").
   */
  public static void createConnection(String projectId, String location, String connectionId) {
    LocationName parent = LocationName.of(projectId, location);

    // CloudResourceProperties provisions a managed Google Cloud service account on creation.
    CloudResourceProperties cloudResourceProperties = CloudResourceProperties.newBuilder().build();
    Connection connection =
        Connection.newBuilder()
            .setFriendlyName("Example Connection")
            .setDescription("Cloud Resource connection for federated queries.")
            .setCloudResource(cloudResourceProperties)
            .build();

    CreateConnectionRequest request =
        CreateConnectionRequest.newBuilder()
            .setParent(parent.toString())
            .setConnectionId(connectionId)
            .setConnection(connection)
            .build();

    try (ConnectionServiceClient client = ConnectionServiceClient.create()) {
      Connection response = client.createConnection(request);

      System.out.printf("Successfully created connection: %s%n", response.getName());
      System.out.printf("Friendly name: %s%n", response.getFriendlyName());
      System.out.printf(
          "Service Account: %s%n", response.getCloudResource().getServiceAccountId());
    } catch (AlreadyExistsException err) {
      System.err.printf(
          "error: connection '%s' already exists in location '%s' for project '%s': %s%n",
          connectionId, location, projectId, err.getMessage());
    } catch (ApiException | IOException err) {
      System.err.printf(
          "error: failed to create connection '%s' in location '%s' for project '%s': %s%n",
          connectionId, location, projectId, err.getMessage());
    }
  }

Terraform

使用 google_bigquery_connection 資源。

注意： 如要使用 Terraform 建立 BigQuery 物件，必須啟用 Cloud Resource Manager API。

如要向 BigQuery 進行驗證，請設定應用程式預設憑證。詳情請參閱「設定用戶端程式庫的驗證機制」。

下列範例會在 US 區域建立名為 my_cloud_resource_connection 的 Cloud 資源連結：

# This queries the provider for project information.
data "google_project" "default" {}

# This creates a cloud resource connection in the US region named my_cloud_resource_connection.
# Note: The cloud resource nested object has only one output field - serviceAccountId.
resource "google_bigquery_connection" "default" {
  connection_id = "my_cloud_resource_connection"
  project       = data.google_project.default.project_id
  location      = "US"
  cloud_resource {}
}

如要在 Google Cloud 專案中套用 Terraform 設定，請完成下列各節的步驟。

準備 Cloud Shell

1. 啟動 Cloud Shell。

2. 設定要套用 Terraform 設定的預設 Google Cloud 專案。

   每個專案只需執行這個指令一次，而且可以在任何目錄中執行。

   export GOOGLE_CLOUD_PROJECT=PROJECT_ID

   如果您在 Terraform 設定檔中設定明確的值，環境變數就會遭到覆寫。

準備目錄

每個 Terraform 設定檔都必須有自己的目錄 (也稱為根模組)。

1. 在 Cloud Shell 中建立目錄，並在該目錄中建立新檔案。檔案名稱必須有 .tf 副檔名，例如 main.tf。在本教學課程中，這個檔案稱為 main.tf。

   mkdir DIRECTORY && cd DIRECTORY && touch main.tf

2. 如果您正在進行教學課程，可以複製每個章節或步驟中的程式碼範例。

   將程式碼範例複製到新建立的 main.tf。

   您也可以從 GitHub 複製程式碼。如果 Terraform 程式碼片段是端對端解決方案的一部分，建議您採用這種做法。

3. 請查看並修改範例參數，以便套用至您的環境。
4. 儲存變更。
5. 初始化 Terraform。每個目錄只需執行一次這項操作。

   terraform init

   如要使用最新版 Google 供應商，請視需要加入 -upgrade 選項：

   terraform init -upgrade

套用變更

1. 查看設定，確認 Terraform 要建立或更新的資源符合預期：

   terraform plan

   視需要修正設定。

2. 執行下列指令，並在提示中輸入 yes，套用 Terraform 設定：

   terraform apply

   等待 Terraform 顯示「Apply complete!」訊息。

3. 開啟 Google Cloud 專案即可查看結果。在 Google Cloud 控制台的使用者介面中，前往資源頁面，確認 Terraform 已建立或更新資源。

注意：Terraform 範例通常會假設 Google Cloud 專案已啟用必要的 API。

將存取權授予服務帳戶

選取下列選項之一：

控制台

1. 前往「IAM & Admin」(IAM 與管理) 頁面。

   前往「IAM & Admin」(IAM 與管理) 頁面

2. 按一下 「Grant Access」(授予存取權)。

   「Add principals」(新增主體) 對話方塊隨即開啟。

3. 在「新增主體」欄位，輸入先前複製的服務帳戶 ID。

4. 按一下「Select a role」(請選擇角色) 欄位，然後在「Filter」(篩選器) 中輸入 Cloud Speech Client。

5. 按一下 [Add another role] (新增其他角色)。

6. 在「Select a role」(請選擇角色) 欄位中，依序選取「Cloud Storage」和「Storage Object Viewer」(Storage 物件檢視者)。

7. 按一下 [儲存]。

gcloud

使用 gcloud projects add-iam-policy-binding 指令：

gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/speech.client' --condition=None
gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/storage.objectViewer' --condition=None

替換下列內容：

• PROJECT_NUMBER：您的專案編號。
• MEMBER：您先前複製的服務帳戶 ID。

如未授予權限，會導致 Permission denied 錯誤。

注意：如果建立辨識器的專案，與物件資料表使用的 Cloud Storage bucket 所在專案不同，請按照下列方式授予服務帳戶 Identity and Access Management (IAM) 角色：

• 在包含辨識器的專案中，將 Cloud Speech 用戶端角色授予服務帳戶。
• 在包含 Cloud Storage bucket 的專案中，將 Storage 物件檢視者角色授予服務帳戶。
• 在包含 Cloud Storage bucket 的專案中，將 Storage 物件檢視者角色授予 Speech-to-Text 服務代理 ([e-mail])。

建立物件資料表

在 Cloud Storage 中，針對一組音訊檔案建立物件資料表。物件資料表中的音訊檔案必須是支援的類型。

物件資料表使用的 Cloud Storage bucket，應位於您要建立模型及呼叫 ML.TRANSCRIBE 函式的專案中。如要呼叫 ML.TRANSCRIBE 函式，且該函式所在的專案與物件資料表使用的 Cloud Storage bucket 所在專案不同，您必須在 bucket 層級將 Storage 管理員角色授予 [e-mail] 服務帳戶。

建立模型

建立遠端模型，REMOTE_SERVICE_TYPE 為 CLOUD_AI_SPEECH_TO_TEXT_V2：

CREATE OR REPLACE MODEL
`PROJECT_ID.DATASET_ID.MODEL_NAME`
REMOTE WITH CONNECTION {`PROJECT_ID.REGION.CONNECTION_ID`}
OPTIONS (
  REMOTE_SERVICE_TYPE = 'CLOUD_AI_SPEECH_TO_TEXT_V2',
  SPEECH_RECOGNIZER = 'projects/PROJECT_NUMBER/locations/LOCATION/recognizers/RECOGNIZER_ID'
);

替換下列內容：

• PROJECT_ID：您的專案 ID。
• DATASET_ID：要包含模型的資料集 ID。
• MODEL_NAME：模型名稱。
• REGION：連線使用的區域。
• CONNECTION_ID：連線 ID，例如 myconnection。

  在 Google Cloud 控制台查看連線詳細資料時，連線 ID 是「Connection ID」(連線 ID) 中顯示的完整連線 ID 最後一個部分的值，例如 projects/myproject/locations/connection_location/connections/myconnection。

• PROJECT_NUMBER：語音辨識器所在專案的專案編號。您可以在 Google Cloud 控制台「資訊主頁」頁面的「專案資訊」資訊卡中找到這個值。
• LOCATION：語音辨識器使用的位置。您可以在 Google Cloud 控制台的「 List recognizers」(辨識器清單) 頁面，找到「Location」(位置) 欄位中的這個值。
• RECOGNIZER_ID：語音辨識器 ID。您可以在 Google Cloud 控制台的「List recognizers」(列出辨識工具) 頁面的「ID」欄位中找到這個值。

  這個選項並非必要。如未指定值，系統會使用預設辨識器。在這種情況下，您必須為 ML.TRANSCRIBE 函式的 recognition_config 參數 指定值，才能為預設辨識器提供設定。

  您只能在提供的 recognition_config 值中使用 chirp 語音轉錄模型。

重要事項： 即使連線位於預設專案中，您也必須指定連線的專案 ID。

轉錄音訊檔案

使用 ML.TRANSCRIBE 函式轉錄音訊檔案：

SELECT *
FROM ML.TRANSCRIBE(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE `PROJECT_ID.DATASET_ID.OBJECT_TABLE_NAME`,
  RECOGNITION_CONFIG => ( JSON 'recognition_config')
);

替換下列內容：

• PROJECT_ID：您的專案 ID。
• DATASET_ID：模型所在資料集的 ID。
• MODEL_NAME：模型名稱。
• OBJECT_TABLE_NAME：物件資料表的名稱，其中包含要處理的音訊檔案 URI。
• recognition_config：JSON 格式的 RecognitionConfig 資源。

  如果已使用 SPEECH_RECOGNIZER 選項為遠端模型指定辨識器，則無法指定 recognition_config 值。

  如果未使用 SPEECH_RECOGNIZER 選項為遠端模型指定辨識器，則必須指定 recognition_config 值。這個值用於提供預設辨識器的設定。

  您只能在提供的 recognition_config 值中使用 chirp 語音轉錄模型。

範例

範例 1

下列範例會轉錄 audio 資料表代表的音訊檔案，但不會覆寫辨識器的預設設定：

SELECT *
FROM ML.TRANSCRIBE(
  MODEL `myproject.mydataset.transcribe_model`,
  TABLE `myproject.mydataset.audio`
);

下列範例會轉錄 audio 資料表代表的音訊檔案，並提供預設辨識器的設定：

SELECT *
FROM ML.TRANSCRIBE(
  MODEL `myproject.mydataset.transcribe_model`,
  TABLE `myproject.mydataset.audio`,
  recognition_config => ( JSON '{"language_codes": ["en-US" ],"model": "chirp","auto_decoding_config": {}}')
);

清除所用資源

如要避免系統向您的 Google Cloud 帳戶收取本教學課程所用資源的費用，請刪除含有相關資源的專案，或者保留專案但刪除個別資源。

刪除專案

控制台

注意：刪除專案會造成以下影響：

• 專案中的所有內容都會遭到刪除。如果使用現有專案來進行本文中的任務，刪除專案將一併移除當中已完成的其他任務'。
• 自訂專案 ID 會消失。當您之前建立這個專案時，可能建立了想要在日後使用的自訂專案 ID。如要保留使用該專案 ID 的網址 (例如 appspot.com 網址)，請刪除在該專案中選取的資源，而不是刪除整個專案。

如果打算探索多種架構、教學課程或快速入門導覽課程，重複使用專案可避免超出專案配額限制。

1. 前往 Google Cloud 控制台的「Manage resources」(管理資源) 頁面。

   前往「Manage resources」(管理資源)

2. 在專案清單中選取要刪除的專案，然後點選「Delete」(刪除)。
3. 在對話方塊中輸入專案 ID，然後按一下 [Shut down] (關閉) 以刪除專案。

gcloud

注意：刪除專案會造成以下影響：

• 專案中的所有內容都會遭到刪除。如果使用現有專案來進行本文中的任務，刪除專案將一併移除當中已完成的其他任務'。
• 自訂專案 ID 會消失。當您之前建立這個專案時，可能建立了想要在日後使用的自訂專案 ID。如要保留使用該專案 ID 的網址 (例如 appspot.com 網址)，請刪除在該專案中選取的資源，而不是刪除整個專案。

如果打算探索多種架構、教學課程或快速入門導覽課程，重複使用專案可避免超出專案配額限制。

刪除 Google Cloud 專案：

gcloud projects delete PROJECT_ID

刪除個別資源

如果您打算保留本教學課程使用的專案，可以刪除建立的個別資源，以免產生更多費用：

1. 刪除資料集：刪除資料集也會一併移除遠端模型，以及在資料集中建立的物件資料表。

   • 前往 Google Cloud 控制台的「BigQuery」頁面。
   • 在「Explorer」窗格中展開專案，然後選取您建立的資料集。
   • 按一下 「View actions」(查看動作)，然後按一下「Delete」(刪除)。
   • 在對話方塊中輸入 delete，然後按一下「Delete」(刪除)。

2. 刪除連結：

   • 在「Explorer」窗格中展開專案名稱，然後點選「連線」。
   • 按一下所建連結旁的 「查看動作」圖示，然後選取「刪除」。
   • 在對話方塊中，按一下「Delete」(刪除) 進行確認。

3. 刪除 Speech-to-Text 辨識器 (如有建立)：

   • 前往 Speech-to-Text 辨識器頁面。
   • 勾選您建立的辨識器旁的方塊，然後按一下「刪除」。

後續步驟

• 如要進一步瞭解 BigQuery ML 中的模型推論，請參閱「模型推論總覽」。
• 如要進一步瞭解如何使用 Cloud AI API 執行 AI 任務，請參閱「AI 應用程式總覽」。
• 如要進一步瞭解生成式 AI 模型支援的 SQL 陳述式和函式，請參閱「生成式 AI 模型的端對端使用者歷程」。