Transcrever áudio

O serviço Speech-to-Text da Vertex AI no Google Distributed Cloud (GDC) air-gapped reconhece a fala de arquivos de áudio. O Speech-to-Text converte o áudio detectado em transcrições de texto usando a API pré-treinada.

Esta página mostra como transcrever arquivos de áudio em texto usando a API Speech-to-Text no Distributed Cloud.

Antes de começar

Antes de começar a usar a API Speech-to-Text, você precisa ter um projeto com a API Speech-to-Text ativada e as credenciais adequadas. Também é possível instalar bibliotecas de cliente para ajudar você a fazer chamadas para a API. Para mais informações, consulte Configurar um projeto de reconhecimento de fala.

Transcrever áudio com o modelo padrão

O Speech-to-Text realiza o reconhecimento de fala. Você envia o arquivo de áudio do qual quer reconhecer a fala diretamente como conteúdo na solicitação de API. O sistema retorna o texto transcrito resultante na resposta da API.

É necessário fornecer um objeto de configuração RecognitionConfig ao fazer uma solicitação de reconhecimento de fala. Esse objeto informa à API como processar os dados de áudio e que tipo de saída você espera. Se um modelo não for especificado explicitamente nesse objeto de configuração, o Speech-to-Text selecionará um modelo padrão.

Para mais informações, consulte a documentação da API Speech.

O exemplo a seguir transcreve a fala de um arquivo de áudio usando o modelo padrão do Speech-to-Text:

Python

Siga estas etapas para usar o serviço Speech-to-Text de um script Python para transcrever a fala de um arquivo de áudio:

1. Instale a versão mais recente da biblioteca de cliente da Speech-to-Text.

2. Defina as variáveis de ambiente necessárias em um script Python.

3. Autentique sua solicitação de API.

4. Adicione o código a seguir ao script Python criado:

   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)
   

   Substitua:

   • ENDPOINT: o endpoint do Speech-to-Text que você usa para sua organização. Para mais informações, consulte Status e endpoints do serviço.
   • PROJECT_ID: o ID do projeto.
   • BASE64_ENCODED_AUDIO: os bytes de dados de áudio codificados em uma representação Base64. Essa string começa com caracteres semelhantes a ZkxhQwAAACIQABAAAAUJABtAA+gA8AB+W8FZndQvQAyjv. Para mais informações, consulte RecognitionAudio.
   • ENCODING: a codificação dos dados de áudio enviados na solicitação, como LINEAR16. Para mais informações, consulte AudioEncoding.
   • RATE_HERTZ: taxa de amostragem em Hertz dos dados de áudio enviados na solicitação, como 16000. Para mais informações, consulte RecognitionConfig.
   • LANGUAGE_CODE: o idioma do áudio fornecido como uma tag de idioma BCP-47. Consulte a lista de idiomas compatíveis e os respectivos códigos de idioma.
   • CHANNEL_COUNT: o número de canais nos dados de áudio de entrada, como 1. Para mais informações, consulte RecognitionConfig.

5. Salve o script Python.

6. Execute o script Python para transcrever o áudio:

   python SCRIPT_NAME
   

   Substitua SCRIPT_NAME pelo nome que você deu ao script Python, por exemplo, speech.py.