Mejora los resultados de la transcripción con la adaptación de modelos

Puedes mejorar la exactitud de los resultados de la transcripción que obtienes de Cloud Speech-to-Text con la adaptación de modelo. La adaptación de modelos te permite especificar palabras y frases que Cloud STT reconocerá con mayor frecuencia en tus datos de audio que otras alternativas que, de otro modo, se podrían sugerir. La adaptación de modelo es particularmente útil para mejorar la exactitud de la transcripción en los siguientes casos de uso:

  • Tu audio contiene palabras o frases que suelen aparecer con frecuencia.
  • Es probable que tu audio contenga palabras poco comunes, como nombres propios, o palabras que no existen en general.
  • Tu audio contiene ruido o no está muy claro.

Antes de leer este documento, consulta Introducción a la adaptación del modelo para obtener una descripción general de alto nivel sobre cómo funciona esta función. Para obtener más información sobre los límites de frases y caracteres por solicitud de adaptación del modelo, consulta Cuotas y límites.

Muestra de código

La adaptación del modelo es una configuración opcional de Cloud STT que puedes usar para personalizar los resultados de tu transcripción según tus necesidades. Consulta la documentación de RecognitionConfig para obtener más información sobre la configuración del cuerpo de la solicitud de reconocimiento.

En la siguiente muestra de código, se indica cómo mejorar la exactitud de la transcripción con un recurso de SpeechAdaptation: PhraseSet, CustomClass y mejora de la adaptación del modelo. Para usar un PhraseSet o CustomClass en solicitudes futuras, toma nota del recurso name, que se muestra en la respuesta cuando creas el recurso.

Si deseas obtener una lista de las clases compiladas con anterioridad disponibles para tu idioma, consulta Tokens de clase admitidos.

Python

Para obtener información sobre cómo instalar y usar la biblioteca cliente de Cloud STT, consulta las bibliotecas cliente de Cloud STT. Si deseas obtener más información, consulta la documentación de referencia de la API de Cloud STT Python.

Para autenticarte en Cloud STT, configura las credenciales predeterminadas de la aplicación. Para obtener más información, consulta Configura la autenticación para un entorno de desarrollo local. 

import os

from google.cloud import speech_v1p1beta1 as speech

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")


def transcribe_with_model_adaptation(
    audio_uri: str,
    custom_class_id: str,
    phrase_set_id: str,
) -> str:
    """Create `PhraseSet` and `CustomClasses` for custom item lists in input data.
    Args:
        audio_uri (str): The Cloud Storage URI of the input audio. e.g. gs://[BUCKET]/[FILE]
        custom_class_id (str): The unique ID of the custom class to create
        phrase_set_id (str): The unique ID of the PhraseSet to create.
    Returns:
        The transcript of the input audio.
    """
    # Specifies the location where the Speech API will be accessed.
    location = "global"

    # Audio object
    audio = speech.RecognitionAudio(uri=audio_uri)

    # Create the adaptation client
    adaptation_client = speech.AdaptationClient()

    # The parent resource where the custom class and phrase set will be created.
    parent = f"projects/{PROJECT_ID}/locations/{location}"

    # Create the custom class resource
    adaptation_client.create_custom_class(
        {
            "parent": parent,
            "custom_class_id": custom_class_id,
            "custom_class": {
                "items": [
                    {"value": "sushido"},
                    {"value": "altura"},
                    {"value": "taneda"},
                ]
            },
        }
    )
    custom_class_name = (
        f"projects/{PROJECT_ID}/locations/{location}/customClasses/{custom_class_id}"
    )
    # Create the phrase set resource
    phrase_set_response = adaptation_client.create_phrase_set(
        {
            "parent": parent,
            "phrase_set_id": phrase_set_id,
            "phrase_set": {
                "boost": 10,
                "phrases": [
                    {"value": f"Visit restaurants like ${{{custom_class_name}}}"}
                ],
            },
        }
    )
    phrase_set_name = phrase_set_response.name
    # The next section shows how to use the newly created custom
    # class and phrase set to send a transcription request with speech adaptation

    # Speech adaptation configuration
    speech_adaptation = speech.SpeechAdaptation(phrase_set_references=[phrase_set_name])

    # speech configuration object
    config = speech.RecognitionConfig(
        encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
        sample_rate_hertz=24000,
        language_code="en-US",
        adaptation=speech_adaptation,
    )

    # Create the speech client
    speech_client = speech.SpeechClient()

    response = speech_client.recognize(config=config, audio=audio)

    for result in response.results:
        print(f"Transcript: {result.alternatives[0].transcript}")