שיפור תוצאות התמלול באמצעות התאמת המודל

כדי לשפר את הדיוק של תוצאות התמלול שמתקבלות מ-Cloud Speech-to-Text, אפשר להשתמש בהתאמת מודל. התאמת המודל מאפשרת לכם לציין מילים וביטויים ש-Cloud STT יזהה בתדירות גבוהה יותר בנתוני האודיו שלכם, בהשוואה לחלופות אחרות שאולי יוצעו אחרת. התאמת המודל שימושית במיוחד לשיפור הדיוק של התמלול בתרחישי השימוש הבאים:

• האודיו מכיל מילים או ביטויים שסביר להניח שמופיעים בתדירות גבוהה.
• יכול להיות שהאודיו מכיל מילים נדירות (כמו שמות פרטיים) או מילים שלא נמצאות בשימוש כללי.
• האודיו מכיל רעשים או שהוא לא ברור.

לפני שקוראים את המסמך הזה, מומלץ לקרוא את המאמר מבוא להתאמת מודלים כדי לקבל סקירה כללית של אופן הפעולה של התכונה הזו. מידע על מגבלות הביטויים והתווים לכל בקשה להתאמת מודל זמין במאמר מכסות ומגבלות.

הערה: לא כל המודלים של Cloud Speech-to-Text תומכים בהתאמת הדיבור. במאמר שפות תמיכה מפורטות השפות שבהן אפשר להשתמש במודלים של התאמה.

דוגמת קוד

התאמת מודל היא הגדרה אופציונלית של Cloud STT שבה אפשר להשתמש כדי להתאים אישית את תוצאות התמלול לפי הצרכים שלכם. מידע נוסף על הגדרת גוף הבקשה לזיהוי מופיע בתיעוד של RecognitionConfig.

בדוגמת הקוד הבאה מוצגות דרכים לשיפור הדיוק של התמלול באמצעות משאב SpeechAdaptation: ‫PhraseSet,‏ CustomClass והגברת ההתאמה של המודל. כדי להשתמש ב-PhraseSet או ב-CustomClass בבקשות עתידיות, צריך לרשום את name המשאב שמוחזר בתשובה כשיוצרים את המשאב.

רשימת המחלקות המוכנות מראש שזמינות בשפה שלכם מופיעה במאמר אסימוני מחלקות נתמכים.

Python

מידע על התקנה ושימוש בספריית הלקוח של Cloud STT מופיע במאמר ספריות הלקוח של Cloud STT. מידע נוסף מופיע במאמרי העזרה של Cloud STT Python API.

כדי לבצע אימות ב-Cloud STT, צריך להגדיר את Application Default Credentials. מידע נוסף זמין במאמר הגדרת אימות לסביבת פיתוח מקומית.

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}")