Transcribe audio

El servicio de Speech-to-Text de Vertex AI en Google Distributed Cloud (GDC) aislado reconoce la voz de los archivos de audio. Speech-to-Text convierte el audio detectado en transcripciones de texto con su API previamente entrenada.

En esta página, se muestra cómo transcribir archivos de audio a texto con la API de Speech-to-Text en Distributed Cloud.

Antes de comenzar

Para transcribir archivos de audio, solicita los permisos necesarios a tu administrador.

Solicita roles de IAM

Para transcribir audio con el modelo predeterminado de Speech-to-Text, comunícate con tu administrador de proyectos de IAM para solicitar el rol de desarrollador de IA de Speech (ai-speech-developer) en el espacio de nombres de tu proyecto.

Para obtener más información sobre este rol, consulta Prepara los permisos de IAM.

Antes de comenzar a usar la API de Speech-to-Text, debes tener un proyecto con esta API habilitada y las credenciales adecuadas. También puedes instalar bibliotecas cliente para ayudarte a realizar llamadas a la API. Para obtener más información, consulta Configura un proyecto de reconocimiento de voz.

Transcribe audio con el modelo predeterminado

Speech-to-Text realiza el reconocimiento de voz. Envías el archivo de audio del que quieres reconocer la voz directamente como contenido en la solicitud a la API. El sistema devuelve el texto transcrito resultante en la respuesta de la API.

Debes proporcionar un objeto de configuración RecognitionConfig cuando realices una solicitud de reconocimiento de voz. Este objeto le indica a la API cómo procesar tus datos de audio y qué tipo de resultado esperas. Si no se especifica un modelo de forma explícita en este objeto de configuración, Speech-to-Text selecciona un modelo predeterminado.

Para obtener más información, consulta la documentación de la API de Speech.

En el siguiente ejemplo, se transcribe la voz de un archivo de audio con el modelo predeterminado de Speech-to-Text:

Python

Sigue estos pasos para usar el servicio de Speech-to-Text desde una secuencia de comandos de Python y transcribir la voz de un archivo de audio:

  1. Instala la versión más reciente de la biblioteca cliente de Speech-to-Text.

  2. Configura las variables de entorno necesarias en una secuencia de comandos de Python.

  3. Autentica tu solicitud a la API.

  4. Agrega el siguiente código a la secuencia de comandos de Python que creaste:

    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)

    Reemplaza lo siguiente:

    • ENDPOINT: Es el extremo de Speech-to-Text que usas para tu organización. Para obtener más información, consulta el estado y los extremos del servicio.
    • PROJECT_ID: Es el ID del proyecto.
    • BASE64_ENCODED_AUDIO: Son los bytes de datos de audio codificados en una representación en Base64. Esta cadena comienza con caracteres que se parecen a ZkxhQwAAACIQABAAAAUJABtAA+gA8AB+W8FZndQvQAyjv. Para obtener más información, consulta RecognitionAudio.
    • ENCODING: Es la codificación de los datos de audio enviados en la solicitud, como LINEAR16. Para obtener más información, consulta AudioEncoding.
    • RATE_HERTZ: Es la tasa de muestreo en hercios (8000-48000) de los datos de audio que se envían en la solicitud, como 16000. Es obligatorio para las codificaciones LINEAR16, FLAC y MULAW (incluidos los archivos WAV). Para obtener más información, consulta RecognitionConfig.
    • LANGUAGE_CODE: Es el idioma del audio proporcionado como una etiqueta de idioma BCP-47, como en-US. Consulta la lista de idiomas admitidos y sus respectivos códigos de idioma.
    • CHANNEL_COUNT: Es la cantidad de canales en los datos de audio de entrada (1-8), como 1 para audio mono. La configuración audio_channel_count es obligatoria para las codificaciones LINEAR16, FLAC y MULAW. Para obtener más información, consulta RecognitionConfig.

  5. Guarda la secuencia de comandos de Python.

  6. Ejecuta la secuencia de comandos de Python para transcribir audio:

    python SCRIPT_NAME

    Reemplaza SCRIPT_NAME por el nombre que le diste a tu secuencia de comandos de Python, por ejemplo, speech.py.