Audio transkribieren

Der Speech-to-Text-Dienst von Vertex AI in Google Distributed Cloud (GDC) mit Air Gap erkennt Sprache aus Audiodateien. Speech-to-Text wandelt die erkannten Audioinhalte mithilfe der vortrainierten API in Texttranskriptionen um.

Auf dieser Seite wird beschrieben, wie Sie Audiodateien mithilfe der Speech-to-Text API in Distributed Cloud in Text transkribieren.

Hinweis

Wenn Sie Audiodateien transkribieren möchten, fordern Sie die erforderlichen Berechtigungen von Ihrem Administrator an.

IAM-Rollen anfordern

Wenn Sie Audio mit dem Standard-Speech-to-Text-Modell transkribieren möchten, wenden Sie sich an Ihren IAM-Projektadministrator, um die Rolle AI Speech Developer (ai-speech-developer) in Ihrem Projektnamespace anzufordern.

Weitere Informationen zu dieser Rolle finden Sie unter IAM-Berechtigungen vorbereiten.

Für die Verwendung der Speech-to-Text API benötigen Sie ein Projekt, für das die Speech-to-Text API aktiviert ist. Außerdem benötigen Sie die entsprechenden Anmeldedaten. Sie können auch Clientbibliotheken installieren, um Aufrufe an die API zu ermöglichen. Weitere Informationen finden Sie unter Spracherkennungsprojekt einrichten.

Audio mit dem Standardmodell transkribieren

Speech-to-Text führt die Spracherkennung durch. Sie senden die Audiodatei, aus der Sie Sprache erkennen möchten, direkt als Inhalt in der API-Anfrage. Das System gibt den resultierenden transkribierten Text in der API-Antwort zurück.

Sie müssen ein RecognitionConfig-Konfigurationsobjekt angeben, wenn Sie eine Spracherkennungsanfrage stellen. Dieses Objekt teilt der API mit, wie Ihre Audiodaten verarbeitet werden sollen und welche Art von Ausgabe Sie erwarten. Wenn in diesem Konfigurationsobjekt kein Modell explizit angegeben ist, wählt Speech-to-Text ein Standardmodell aus.

Weitere Informationen finden Sie in der Speech API-Dokumentation.

Im folgenden Beispiel wird Sprache aus einer Audiodatei mit dem Speech-to-Text-Standardmodell transkribiert:

Python

So verwenden Sie den Speech-to-Text-Dienst aus einem Python-Skript, um Sprache aus einer Audiodatei zu transkribieren:

  1. Installieren Sie die aktuelle Version der Speech-to-Text-Clientbibliothek.

  2. Legen Sie die erforderlichen Umgebungsvariablen in einem Python-Skript fest.

  3. Authentifizieren Sie Ihre API-Anfrage.

  4. Fügen Sie dem von Ihnen erstellten Python-Script den folgenden Code hinzu:

    import base64

from google.cloud import speech_v1p1beta1 as speech
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.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.RecognitionAudio(
      content=base64.standard_b64decode(content)
  )
  config = speech.RecognitionConfig(
      encoding=speech.RecognitionConfig.AudioEncoding.ENCODING,
      sample_rate_hertz=RATE_HERTZ,
      audio_channel_count=CHANNEL_COUNT,
      language_code="LANGUAGE_CODE",
  )

  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)

    Ersetzen Sie Folgendes:

    • ENDPOINT: der Speech-to-Text-Endpunkt, den Sie für Ihre Organisation verwenden. Weitere Informationen finden Sie unter Dienststatus und Endpunkte ansehen.
    • PROJECT_ID: Ihre Projekt-ID.
    • BASE64_ENCODED_AUDIO: die Audiodatenbytes, die in einer Base64-Darstellung codiert sind. Dieser String beginnt mit Zeichen, die ZkxhQwAAACIQABAAAAUJABtAA+gA8AB+W8FZndQvQAyjv ähneln. Weitere Informationen finden Sie unter RecognitionAudio.
    • ENCODING: die Codierung der in der Anfrage gesendeten Audiodaten, z. B. LINEAR16. Weitere Informationen finden Sie unter AudioEncoding.
    • RATE_HERTZ: die Abtastrate in Hertz (8000–48000) der in der Anfrage gesendeten Audiodaten, z. B. 16000. Erforderlich für die Codierungen LINEAR16, FLAC und MULAW (einschließlich WAV-Dateien). Weitere Informationen finden Sie unter RecognitionConfig.
    • LANGUAGE_CODE: Die Sprache des bereitgestellten Audios als BCP-47-Sprachtag, z. B. en-US. Hier finden Sie eine Liste der unterstützten Sprachen und der zugehörigen Sprachcodes.
    • CHANNEL_COUNT: die Anzahl der Kanäle in den Eingabeaudiodaten (1–8), z. B. 1 für Mono-Audio. Die Einstellung audio_channel_count ist für die Codierungen LINEAR16, FLAC und MULAW erforderlich. Weitere Informationen finden Sie unter RecognitionConfig.

  5. Speichern Sie das Python-Skript.

  6. Führen Sie das Python-Skript aus, um Audio zu transkribieren:

    python SCRIPT_NAME

    Ersetzen Sie SCRIPT_NAME durch den Namen, den Sie Ihrem Python-Skript gegeben haben, z. B. speech.py.