音声を文字に変換する

Google Distributed Cloud（GDC）エアギャップ上の Vertex AI の Speech-to-Text サービスは、音声ファイルから音声を認識します。 Speech-to-Text は、事前トレーニング済みの API を使用して、検出された音声をテキストに変換します。

このページでは、Distributed Cloud の Speech-to-Text API を使用して音声ファイルをテキストに変換する方法について説明します。

始める前に

Speech-to-Text API を使用するには、Speech-to-Text API が有効になっているプロジェクトと適切な認証情報が必要です。クライアント ライブラリをインストールして、API の呼び出しを行うこともできます。詳細については、音声認識プロジェクトを設定するをご覧ください。

デフォルト モデルで音声を文字変換する

Speech-to-Text は音声認識を行います。音声を認識する音声ファイルを API リクエストのコンテンツとして直接送信します。 システムは、文字変換されたテキストを API レスポンスで返します。

音声認識リクエストを行う場合は、RecognitionConfig 構成オブジェクトを指定する必要があります。このオブジェクトは、音声データの処理方法と必要な出力の種類を API に伝えます。この構成オブジェクトでモデルが明示的に指定されていない場合、Speech-to-Text はデフォルト モデルを選択します。

詳細については、Speech API のドキュメントをご覧ください。

次の例では、デフォルトの Speech-to-Text モデルを使用して音声ファイルから音声を文字変換します。

Python

Python スクリプトから Speech-to-Text サービスを使用して音声ファイルから音声を文字変換するには、次の操作を行います。

1. Speech-to-Text クライアント ライブラリの最新バージョンをインストールします。

2. Python スクリプトに必要な環境変数を設定します。

3. API リクエストを認証します。

4. 作成した Python スクリプトに次のコードを追加します。

   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)
       print("Got token: ")
       print(creds.token)
     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)
   

   次のように置き換えます。

   • ENDPOINT: 組織で使用する Speech-to-Text エンドポイント。詳細については、サービス ステータスとエンドポイントをご覧ください。
   • PROJECT_ID: プロジェクト ID。
   • BASE64_ENCODED_AUDIO: Base64 表現でエンコードされた音声データ バイト。この文字列は、ZkxhQwAAACIQABAAAAUJABtAA+gA8AB+W8FZndQvQAyjv に似た文字で始まります。詳細については、RecognitionAudio をご覧ください。
   • ENCODING: リクエストで送信される音声データのエンコード（LINEAR16 など）。詳細については、AudioEncoding をご覧ください。
   • RATE_HERTZ: リクエストで送信される音声データのサンプルレート（Hz）（16000 など）。詳細については、RecognitionConfig をご覧ください。
   • LANGUAGE_CODE: 提供された音声の言語を、BCP-47 言語タグで表したもの。サポートされている言語とその言語コードのリストをご覧ください。
   • CHANNEL_COUNT: 入力音声データのチャンネル数（1 など）。詳細については、RecognitionConfig をご覧ください。

5. Python スクリプトを保存します。

6. Python スクリプトを実行して音声を文字変換します。

   python SCRIPT_NAME
   

   SCRIPT_NAME は、Python スクリプトに付けた名前に置き換えます（例: speech.py）。