轉錄音訊內容

Google Distributed Cloud (GDC) 實體隔離方案的 Vertex AI Speech-to-Text 服務可辨識音訊檔案中的語音。Speech-to-Text 會使用預先訓練的 API，將偵測到的音訊轉換為文字轉錄稿。

本頁面說明如何使用 Distributed Cloud 的 Speech-to-Text API，將音訊檔案轉錄成文字。

事前準備

如要轉錄音訊檔案，請向管理員要求必要權限。

要求 IAM 角色

如要使用預設的 Speech-to-Text 模型轉錄音訊，請與 IAM 專案管理員聯絡，要求在專案命名空間中取得 AI 語音開發人員 (ai-speech-developer) 角色。

如要進一步瞭解這個角色，請參閱「準備 IAM 權限」。

如要開始使用 Speech-to-Text API，必須先準備一個已啟用 Speech-to-Text API 的專案，並取得適當的憑證。您也可以安裝用戶端程式庫，協助您呼叫 API。詳情請參閱「設定語音辨識專案」。

使用預設模型轉錄音訊

Speech-to-Text 可執行語音辨識。您可以直接將要辨識語音的音訊檔案，做為 API 要求的內容傳送。系統會在 API 回應中傳回轉錄文字。

提出語音辨識要求時，您必須提供 RecognitionConfig 設定物件。這個物件會指示 API 如何處理音訊資料，以及您預期的輸出內容類型。如果未在這個設定物件中明確指定模型，Speech-to-Text 會選取預設模型。

詳情請參閱 Speech API 說明文件。

下列範例使用預設的 Speech-to-Text 模型，轉錄音訊檔案中的語音：

Python

請按照下列步驟，透過 Python 指令碼使用 Speech-to-Text 服務，轉錄音訊檔案中的語音：

1. 安裝最新版本的 Speech-to-Text 用戶端程式庫。

2. 在 Python 指令碼中設定必要的環境變數。

3. 驗證 API 要求。

4. 在您建立的 Python 指令碼中，加入下列程式碼：

   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)
   

   更改下列內容：

   • ENDPOINT：貴組織使用的 Speech-to-Text 端點。詳情請參閱「查看服務狀態和端點」。
   • PROJECT_ID：您的專案 ID。
   • BASE64_ENCODED_AUDIO：以 Base64 表示法編碼的音訊資料位元組。這個字串開頭的字元類似 ZkxhQwAAACIQABAAAAUJABtAA+gA8AB+W8FZndQvQAyjv。詳情請參閱「RecognitionAudio」。
   • ENCODING：要求中傳送的音訊資料編碼，例如 LINEAR16。詳情請參閱「AudioEncoding」。
   • RATE_HERTZ：要求中傳送的音訊資料取樣率 (赫茲) (8000-48000)，例如 16000。LINEAR16、FLAC 和 MULAW 編碼 (包括 WAV 檔案) 必須提供這項資訊。詳情請參閱 RecognitionConfig。
   • LANGUAGE_CODE：所提供音訊的語言，以 BCP-47 語言標記表示，例如 en-US。查看支援語言清單和對應的語言代碼。
   • CHANNEL_COUNT：輸入音訊資料中的聲道數量 (1-8)，例如單聲道音訊為 1。LINEAR16、FLAC 和 MULAW 編碼必須設定 audio_channel_count。詳情請參閱 RecognitionConfig。

5. 儲存 Python 指令碼。

6. 執行 Python 指令碼，轉錄音訊：

   python SCRIPT_NAME
   

   將 SCRIPT_NAME 替換成您為 Python 指令碼指定的名稱，例如 speech.py。