Le service Speech-to-Text de Vertex AI sur l'appareil avec air gap Google Distributed Cloud (GDC) vous permet de convertir la voix de fichiers audio en transcriptions textuelles. Vous pouvez utiliser l'API Speech-to-Text pré-entraînée et la bibliothèque cliente Python pour traiter l'audio enregistré avec le modèle par défaut.
Avant de commencer
Pour pouvoir utiliser l'API Speech-to-Text, vous devez disposer d'un projet pour lequel cette API est activée, ainsi que des identifiants appropriés. Vous pouvez également installer des bibliothèques clientes pour faciliter les appels à l'API. Pour en savoir plus, consultez Configurer un projet de reconnaissance vocale.
Transcrire des fichiers audio avec le modèle par défaut
Speech-to-Text effectue la reconnaissance vocale. Vous envoyez le fichier audio à partir duquel vous souhaitez reconnaître la voix directement en tant que contenu dans la requête API. Le système renvoie le texte transcrit obtenu dans la réponse de l'API.
Vous devez fournir un objet de configuration RecognitionConfig lorsque vous effectuez une requête de reconnaissance vocale. Cet objet indique à l'API comment traiter vos données audio et le type de sortie attendu. Si aucun modèle n'est explicitement spécifié dans cet objet de configuration, Speech-to-Text sélectionne un modèle par défaut.
Speech-to-Text sur l'appareil GDC sous air gap n'est compatible qu'avec le modèle par défaut.
Suivez ces étapes pour utiliser le service Speech-to-Text à partir d'un script Python afin de transcrire la voix d'un fichier audio :
Installez la dernière version de la bibliothèque cliente Speech-to-Text.
Définissez les variables d'environnement requises dans un script Python.
Ajoutez le code suivant au script Python que vous avez créé :
import base64 from google.cloud import speech_v1p1beta1 import google.auth from google.auth.transport import requests from google.api_core.client_options import ClientOptions audience="https://ENDPOINT:443" api_endpoint="ENDPOINT:443" def get_client(creds): opts = ClientOptions(api_endpoint=api_endpoint) return speech_v1p1beta1.SpeechClient(credentials=creds, client_options=opts) def main(): creds = None try: creds, project_id = google.auth.default() creds = creds.with_gdch_audience(audience) req = requests.Request() creds.refresh(req) except Exception as e: print("Caught exception" + str(e)) raise e return creds def speech_func(creds): tc = get_client(creds) content="BASE64_ENCODED_AUDIO" audio = speech_v1p1beta1.RecognitionAudio() audio.content = base64.standard_b64decode(content) config = speech_v1p1beta1.RecognitionConfig() config.encoding= speech_v1p1beta1.RecognitionConfig.AudioEncoding.ENCODING config.sample_rate_hertz=RATE_HERTZ config.language_code="LANGUAGE_CODE" config.audio_channel_count=CHANNEL_COUNT metadata = [("x-goog-user-project", "projects/PROJECT_ID")] resp = tc.recognize(config=config, audio=audio, metadata=metadata) print(resp) if __name__=="__main__": creds = main() speech_func(creds)Remplacez les éléments suivants :
ENDPOINT: point de terminaison Speech-to-Text que vous utilisez pour votre organisation. Pour en savoir plus, consultez l'état et les points de terminaison du service.PROJECT_ID: ID de votre projet.BASE64_ENCODED_AUDIO: octets de données audio encodés dans une représentation en Base64. Cette chaîne commence par des caractères qui ressemblent àZkxhQwAAACIQABAAAAUJABtAA+gA8AB+W8FZndQvQAyjv.ENCODING: encodage des données audio envoyées dans la requête, par exempleLINEAR16.RATE_HERTZ: taux d'échantillonnage en hertz des données audio envoyées dans la requête, par exemple16000.LANGUAGE_CODE: langue de l'audio fourni, sous la forme d'un tag de langue BCP-47. Consultez la liste des langues acceptées et leurs codes de langue respectifs.CHANNEL_COUNT: nombre de canaux dans les données audio d'entrée, par exemple1.
Enregistrez le script Python.
Exécutez le script Python pour transcrire l'audio :
python SCRIPT_NAMERemplacez
SCRIPT_NAMEpar le nom que vous avez donné à votre script Python, par exemplespeech.py.