音声を文字に変換する

Google Distributed Cloud（GDC）エアギャップの 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、検出された音声を音声文字変換テキストに変換します。

このページでは、Distributed Cloud で 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

音声ファイルを文字変換するには、必要な権限を管理者にリクエストしてください。

IAM ロールをリクエストする

デフォルトの Speech-to-Text モデルを使用して音声を文字変換するには、IAM プロジェクト管理者に連絡して、プロジェクトの名前空間で AI Speech Developer（ai-speech-developer）ロールをリクエストします。

このロールの詳細については、IAM 権限を準備するをご覧ください。

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。また、この API の呼び出しを支援するクライアント ライブラリをインストールすることもできます。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。

デフォルトのモデルを使用して音声を文字変換する

Speech-to-Text は音声認識を実行します。音声認識を行う音声ファイルを、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、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想定される出力の種類を API に指示します。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 はデフォルトのモデルを選択します。

詳細については、Speech API 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手順は次のとおりです。

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

2. Python スクリプトで必要な環境変数を設定する。

3. API リクエストを認証する。

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 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)
   

   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表示するをご覧ください。
   • 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 のような文字で始まります。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（ヘルツ単位、8000～48000）（16000 など）。LINEAR16、FLAC、MULAW エンコード（WAV ファイルを含む）に必要です。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（en-US など）で表したもの。サポートされている言語とそれぞれの言語コードの一覧をご覧ください。
   • CHANNEL_COUNT: 入力音声データのチャンネル数（1～8）。モノラル音声の場合は 1。LINEAR16、FLAC、MULAW のエンコードには、audio_channel_count の設定が必要です。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に変換します。

   python SCRIPT_NAME
   

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