Index
Adaptation(Schnittstelle)Speech(Schnittstelle)CreateCustomClassRequest(Meldung)CreatePhraseSetRequest(Meldung)CustomClass(Meldung)CustomClass.ClassItem(Meldung)CustomClass.State(Aufzählung)DeleteCustomClassRequest(Meldung)DeletePhraseSetRequest(Meldung)GetCustomClassRequest(Meldung)GetPhraseSetRequest(Meldung)ListCustomClassesRequest(Meldung)ListCustomClassesResponse(Meldung)ListPhraseSetRequest(Meldung)ListPhraseSetResponse(Meldung)LongRunningRecognizeMetadata(Meldung)LongRunningRecognizeRequest(Meldung)LongRunningRecognizeResponse(Meldung)PhraseSet(Meldung)PhraseSet.Phrase(Meldung)PhraseSet.State(Aufzählung)RecognitionAudio(Meldung)RecognitionConfig(Meldung)RecognitionConfig.AudioEncoding(Aufzählung)RecognitionMetadata(Nachricht) (eingestellt)RecognitionMetadata.InteractionType(Aufzählung)RecognitionMetadata.MicrophoneDistance(enum)RecognitionMetadata.OriginalMediaType(enum)RecognitionMetadata.RecordingDeviceType(enum)RecognizeRequest(Meldung)RecognizeResponse(Meldung)SpeakerDiarizationConfig(Meldung)SpeechAdaptation(Meldung)SpeechAdaptation.ABNFGrammar(Meldung)SpeechAdaptationInfo(Meldung)SpeechContext(Meldung)SpeechRecognitionAlternative(Meldung)SpeechRecognitionResult(Meldung)StreamingRecognitionConfig(Meldung)StreamingRecognitionConfig.VoiceActivityTimeout(Meldung)StreamingRecognitionResult(Meldung)StreamingRecognizeRequest(Meldung)StreamingRecognizeResponse(Meldung)StreamingRecognizeResponse.SpeechEventType(Aufzählung)TranscriptNormalization(Meldung)TranscriptNormalization.Entry(Meldung)TranscriptOutputConfig(Meldung)UpdateCustomClassRequest(Meldung)UpdatePhraseSetRequest(Meldung)WordInfo(Meldung)
Anpassung
Dienst, der die Google Cloud Speech Adaptation API implementiert.
| CreateCustomClass |
|---|
|
Benutzerdefinierte Klasse erstellen
|
| CreatePhraseSet |
|---|
|
Erstellen Sie eine Reihe von Wortgruppen-Hinweisen. Jedes Element im Set kann ein einzelnes Wort oder eine Wortgruppe sein. Die Elemente im PhraseSet werden vom Erkennungsmodell bevorzugt, wenn Sie einen Aufruf senden, der das PhraseSet enthält.
|
| DeleteCustomClass |
|---|
|
Benutzerdefinierten Kurs löschen
|
| DeletePhraseSet |
|---|
|
Wortgruppensatz löschen
|
| GetCustomClass |
|---|
|
Benutzerdefinierte Klasse erstellen
|
| GetPhraseSet |
|---|
|
Wortgruppensatz abrufen.
|
| ListCustomClasses |
|---|
|
Benutzerdefinierte Klassen auflisten
|
| ListPhraseSet |
|---|
|
Wortgruppensätze auflisten
|
| UpdateCustomClass |
|---|
|
Benutzerdefinierten Kurs aktualisieren
|
| UpdatePhraseSet |
|---|
|
Wortgruppensatz aktualisieren
|
Speech
Dienst, in den die Google Cloud Speech API implementiert ist.
| LongRunningRecognize |
|---|
|
Führt asynchrone Spracherkennung durch: Die Ergebnisse erhalten Sie über die Schnittstelle google.longrunning.Operations. Gibt entweder ein
|
| Erkennen |
|---|
|
Führt synchrone Spracherkennung durch: Die Ergebnisse erhalten Sie, wenn alle Audiodaten gesendet und verarbeitet wurden.
|
| StreamingRecognize |
|---|
|
Führt bidirektionale Streamingspracherkennung durch: Die Ergebnisse erhalten Sie, während die Audiodaten gesendet werden. Diese Methode ist nur über die gRPC API (nicht über die REST API) verfügbar.
|
CreateCustomClassRequest
Nachricht, die vom Client für die Methode CreateCustomClass gesendet wird.
| Felder | |
|---|---|
parent |
Erforderlich. Die übergeordnete Ressource, in der diese benutzerdefinierte Klasse erstellt wird. Format:
Speech-to-Text unterstützt drei Standorte: Für die Autorisierung ist die folgende IAM-Berechtigung für die angegebene Ressource
|
custom_class_id |
Erforderlich. Die für die benutzerdefinierte Klasse zu verwendende ID, die als letzte Komponente des Ressourcennamens der benutzerdefinierten Klasse verwendet wird. Dieser Wert sollte auf Buchstaben, Ziffern und Bindestriche beschränkt sein. Das erste Zeichen muss ein Buchstabe und das letzte ein Buchstabe oder eine Ziffer sein. Die Länge sollte 4 bis 63 Zeichen betragen. |
custom_class |
Erforderlich. Die benutzerdefinierte Klasse, die erstellt werden soll. |
CreatePhraseSetRequest
Nachricht, die vom Client für die Methode CreatePhraseSet gesendet wird.
| Felder | |
|---|---|
parent |
Erforderlich. Die übergeordnete Ressource, in der diese Gruppe von Begriffen erstellt wird. Format:
Speech-to-Text unterstützt drei Standorte: Für die Autorisierung ist die folgende IAM-Berechtigung für die angegebene Ressource
|
phrase_set_id |
Erforderlich. Die für die Wortgruppe zu verwendende ID, die als letzte Komponente des Ressourcennamens der Wortgruppe verwendet wird. Dieser Wert sollte auf Buchstaben, Ziffern und Bindestriche beschränkt sein. Das erste Zeichen muss ein Buchstabe und das letzte ein Buchstabe oder eine Ziffer sein. Die Länge sollte 4 bis 63 Zeichen betragen. |
phrase_set |
Erforderlich. Der zu erstellende Wortgruppensatz. |
CustomClass
Eine Reihe von Wörtern oder Wortgruppen, die ein gängiges Konzept darstellen, das wahrscheinlich in Ihrem Audio vorkommt, z. B. eine Liste von Namen von Passagierschiffen. CustomClass-Elemente können in Platzhalter eingesetzt werden, die Sie in PhraseSet-Formulierungen festlegen.
| Felder | |
|---|---|
name |
Der Ressourcenname der benutzerdefinierten Klasse. |
custom_class_id |
Wenn diese benutzerdefinierte Klasse eine Ressource ist, ist „custom_class_id“ die Ressourcen-ID der CustomClass. Groß- und Kleinschreibung wird berücksichtigt. |
items[] |
Eine Sammlung von Klassenelementen. |
kms_key_name |
Nur Ausgabe. Der KMS-Schlüsselname, mit dem der Inhalt des ClassItem verschlüsselt wird. Das erwartete Format ist |
kms_key_version_name |
Nur Ausgabe. Der Name der KMS-Schlüsselversion, mit der der Inhalt des ClassItem verschlüsselt wird. Das erwartete Format ist |
uid |
Nur Ausgabe. Vom System zugewiesene eindeutige Kennung für die CustomClass. Dieses Feld wird nicht verwendet. |
display_name |
Nur Ausgabe. Vom Nutzer festlegbarer, für Menschen lesbarer Name für die CustomClass. Darf höchstens 63 Zeichen lang sein. Dieses Feld wird nicht verwendet. |
state |
Nur Ausgabe. Der Lebenszyklusstatus der CustomClass. Dieses Feld wird nicht verwendet. |
delete_time |
Nur Ausgabe. Der Zeitpunkt, zu dem das Löschen dieser Ressource angefordert wurde. Dieses Feld wird nicht verwendet. |
expire_time |
Nur Ausgabe. Der Zeitpunkt, zu dem diese Ressource gelöscht wird. Dieses Feld wird nicht verwendet. |
annotations |
Nur Ausgabe. Ermöglicht Nutzern das Speichern kleiner Mengen beliebiger Daten. Sowohl der Schlüssel als auch der Wert dürfen jeweils maximal 63 Zeichen lang sein. Maximal 100 Annotationen. Dieses Feld wird nicht verwendet. |
etag |
Nur Ausgabe. Diese Prüfsumme wird vom Server auf Grundlage des Werts anderer Felder berechnet. Kann bei Aktualisierungs-, Wiederherstellungs- und Löschanfragen gesendet werden, um sicherzustellen, dass der Client vor dem Fortfahren einen aktuellen Wert hat. Dieses Feld wird nicht verwendet. |
reconciling |
Nur Ausgabe. Gibt an, ob diese CustomClass gerade aktualisiert wird. Dieses Feld wird nicht verwendet. |
ClassItem
Ein Element der Klasse.
| Felder | |
|---|---|
value |
Der Wert des Klassenartikels. |
Bundesland
Eine Reihe von Status, die den Lebenszyklus einer CustomClass definieren.
| Enums | |
|---|---|
STATE_UNSPECIFIED |
Nicht angegebener Zustand. Dies wird nur verwendet, um nicht festgelegte Werte zu unterscheiden. |
ACTIVE |
Der normale und der aktive Status. |
DELETED |
Diese CustomClass wurde gelöscht. |
DeleteCustomClassRequest
Nachricht, die vom Client für die Methode DeleteCustomClass gesendet wird.
| Felder | |
|---|---|
name |
Erforderlich. Der Name der benutzerdefinierten Klasse, die gelöscht werden soll. Format:
Speech-to-Text unterstützt drei Standorte: Für die Autorisierung ist die folgende IAM-Berechtigung für die angegebene Ressource
|
DeletePhraseSetRequest
Nachricht, die vom Client für die Methode DeletePhraseSet gesendet wird.
| Felder | |
|---|---|
name |
Erforderlich. Der Name des zu löschenden Satz-Sets. Format:
Für die Autorisierung ist die folgende IAM-Berechtigung für die angegebene Ressource
|
GetCustomClassRequest
Nachricht, die vom Client für die Methode GetCustomClass gesendet wird.
| Felder | |
|---|---|
name |
Erforderlich. Der Name der benutzerdefinierten Klasse, die abgerufen werden soll. Format:
Für die Autorisierung ist die folgende IAM-Berechtigung für die angegebene Ressource
|
GetPhraseSetRequest
Nachricht, die vom Client für die Methode GetPhraseSet gesendet wird.
| Felder | |
|---|---|
name |
Erforderlich. Der Name des abzurufenden Wortgruppensatzes. Format:
Speech-to-Text unterstützt drei Standorte: Für die Autorisierung ist die folgende IAM-Berechtigung für die angegebene Ressource
|
ListCustomClassesRequest
Nachricht, die vom Client für die Methode ListCustomClasses gesendet wird.
| Felder | |
|---|---|
parent |
Erforderlich. Das übergeordnete Element, das diese Sammlung von benutzerdefinierten Klassen besitzt. Format:
Speech-to-Text unterstützt drei Standorte: Für die Autorisierung ist die folgende IAM-Berechtigung für die angegebene Ressource
|
page_size |
Die maximale Anzahl der zurückzugebenden benutzerdefinierten Klassen. Der Dienst gibt möglicherweise weniger als diesen Wert zurück. Falls nicht angegeben, werden maximal 50 benutzerdefinierte Klassen zurückgegeben. Der Höchstwert beträgt 1.000. Werte über 1.000 werden implizit auf 1.000 umgewandelt. |
page_token |
Ein Seitentoken, das von einem vorherigen Beim Paginieren müssen alle anderen für |
ListCustomClassesResponse
Nachricht, die von der Methode ListCustomClasses an den Client zurückgegeben wird.
| Felder | |
|---|---|
custom_classes[] |
Die benutzerdefinierten Klassen. |
next_page_token |
Ein Token, das als |
ListPhraseSetRequest
Nachricht, die vom Client für die Methode ListPhraseSet gesendet wird.
| Felder | |
|---|---|
parent |
Erforderlich. Das übergeordnete Element, das diese Sammlung von Wortgruppen-Sets besitzt. Format:
Speech-to-Text unterstützt drei Standorte: Für die Autorisierung ist die folgende IAM-Berechtigung für die angegebene Ressource
|
page_size |
Die maximale Anzahl der zurückzugebenden Wortgruppen. Der Dienst gibt möglicherweise weniger als diesen Wert zurück. Wenn nicht angegeben, werden maximal 50 Phrasengruppen zurückgegeben. Der Höchstwert beträgt 1.000. Werte über 1.000 werden implizit auf 1.000 umgewandelt. |
page_token |
Ein Seitentoken, das von einem vorherigen Beim Paginieren müssen alle anderen für |
ListPhraseSetResponse
Nachricht, die von der Methode ListPhraseSet an den Client zurückgegeben wird.
| Felder | |
|---|---|
phrase_sets[] |
Der Wortgruppensatz. |
next_page_token |
Ein Token, das als |
LongRunningRecognizeMetadata
Beschreibt den Fortschritt eines LongRunningRecognize-Aufrufs mit langer Ausführungszeit. Dies ist im Feld metadata von Operation enthalten, das durch den Aufruf GetOperation des google::longrunning::Operations-Dienstes zurückgegeben wird.
| Felder | |
|---|---|
progress_percent |
Ungefährer Prozentsatz der bisher verarbeiteten Audiodaten. Liegt bei 100, wenn die Audiodaten vollständig verarbeitet wurden und die Ergebnisse verfügbar sind. |
start_time |
Zeitpunkt des Empfangs der Anfrage. |
last_update_time |
Zeitpunkt der letzten Aktualisierung bei der Verarbeitung. |
uri |
Nur Ausgabe. Der URI der Audio-Datei, die transkribiert wird. Leer, wenn der Audioinhalt als Byte-Inhalt gesendet wurde. |
output_config |
Nur Ausgabe. Eine Kopie von TranscriptOutputConfig, falls diese in der Anfrage festgelegt wurde. |
LongRunningRecognizeRequest
Die Nachricht auf oberster Ebene, die vom Client an die Methode LongRunningRecognize gesendet wird.
| Felder | |
|---|---|
config |
Erforderlich. Stellt dem Erkennungsmodul Informationen zur Verarbeitung der Anfrage zur Verfügung. |
audio |
Erforderlich. Die zu erkennenden Audiodaten. |
output_config |
Optional. Gibt ein optionales Ziel für die Erkennungsergebnisse an. |
LongRunningRecognizeResponse
Die einzige Nachricht, die von der Methode LongRunningRecognize an den Client zurückgegeben wird. Sie enthält das Ergebnis als null oder mehr aufeinanderfolgende SpeechRecognitionResult-Nachrichten. Dies ist im Feld result.response von Operation enthalten, das durch den Aufruf GetOperation des google::longrunning::Operations-Dienstes zurückgegeben wird.
| Felder | |
|---|---|
results[] |
Sequenzielle Liste der Transkriptionsergebnisse, die den sequenziellen Teilen einer Audiodatei entsprechen. |
total_billed_time |
Wenn verfügbar, die abgerechneten Audiosekunden für die entsprechende Anfrage. |
output_config |
Die ursprüngliche Ausgabekonfiguration, falls in der Anfrage vorhanden. |
output_error |
Wenn die Transkriptausgabe fehlschlägt, enthält dieses Feld den entsprechenden Fehler. |
speech_adaptation_info |
Liefert Informationen zum Verhalten der Sprachanpassung in der Antwort |
request_id |
Die ID, die der Anfrage zugeordnet ist. Dies ist eine eindeutige ID, die nur für die jeweilige Anfrage gilt. |
PhraseSet
Liefert dem Spracherkennungsmodul "Hinweise" für bestimmte Wörter und Wendungen, die bei den Ergebnissen zu bevorzugen sind.
| Felder | |
|---|---|
name |
Der Ressourcenname des Wortgruppensatzes. |
phrases[] |
Eine Liste mit Wörtern und Wortgruppen. |
boost |
Hinweis-Boost Ein positiver Wert erhöht die Wahrscheinlichkeit, dass eine bestimmte Wortgruppe gegenüber anderen ähnlich klingenden Wortgruppen erkannt wird. Je höher der Boost, desto höher ist auch die Wahrscheinlichkeit einer fälschlichen Erkennung. Negative Boost-Werte entsprechen der Anti-Bias-Funktion. Die Funktion zur Vermeidung von Bias ist nicht aktiviert. Der negative Boost wird daher einfach ignoriert. |
kms_key_name |
Nur Ausgabe. Der KMS-Schlüsselname, mit dem der Inhalt des PhraseSets verschlüsselt wird. Das erwartete Format ist |
kms_key_version_name |
Nur Ausgabe. Der Name der KMS-Schlüsselversion, mit der der Inhalt des PhraseSets verschlüsselt wird. Das erwartete Format ist |
uid |
Nur Ausgabe. Vom System zugewiesene eindeutige Kennung für das PhraseSet. Dieses Feld wird nicht verwendet. |
display_name |
Nur Ausgabe. Vom Nutzer festlegbarer, für Menschen lesbarer Name für den PhraseSet. Darf höchstens 63 Zeichen lang sein. Dieses Feld wird nicht verwendet. |
state |
Nur Ausgabe. Der Lebenszyklusstatus der CustomClass. Dieses Feld wird nicht verwendet. |
delete_time |
Nur Ausgabe. Der Zeitpunkt, zu dem das Löschen dieser Ressource angefordert wurde. Dieses Feld wird nicht verwendet. |
expire_time |
Nur Ausgabe. Der Zeitpunkt, zu dem diese Ressource gelöscht wird. Dieses Feld wird nicht verwendet. |
annotations |
Nur Ausgabe. Ermöglicht Nutzern das Speichern kleiner Mengen beliebiger Daten. Sowohl der Schlüssel als auch der Wert dürfen jeweils maximal 63 Zeichen lang sein. Maximal 100 Annotationen. Dieses Feld wird nicht verwendet. |
etag |
Nur Ausgabe. Diese Prüfsumme wird vom Server auf Grundlage des Werts anderer Felder berechnet. Kann bei Aktualisierungs-, Wiederherstellungs- und Löschanfragen gesendet werden, um sicherzustellen, dass der Client vor dem Fortfahren einen aktuellen Wert hat. Dieses Feld wird nicht verwendet. |
reconciling |
Nur Ausgabe. Gibt an, ob dieses PhraseSet gerade aktualisiert wird. Dieses Feld wird nicht verwendet. |
Wortgruppe
Eine Liste von Strings, die Wörter und Wortgruppen "Hinweise" enthalten, damit die Spracherkennung sie mit größerer Wahrscheinlichkeit erkennt. Kann zur Verbesserung der Genauigkeit für bestimmte Wörter und Wendungen verwendet werden, z. B. wenn der Nutzer bestimmte Befehle häufig spricht. Lässt sich ebenfalls verwenden, um weitere Wörter zum Vokabular des Erkennungsmoduls hinzuzufügen. Siehe Nutzungsbeschränkungen.
Listenelemente können auch vordefinierte oder benutzerdefinierte Klassen mit Wortgruppen enthalten, die gängige Konzepte in natürlicher Sprache darstellen. Anstatt beispielsweise für jeden Monat des Jahres einen Hinweis auf einen Ausdruck zu geben (z. B. „Ich wurde im Januar geboren“, „Ich wurde im Februar geboren“ usw.), können Sie die vordefinierte Klasse $MONTH verwenden. Dadurch wird die Wahrscheinlichkeit erhöht, dass Audioinhalte, in denen Monate vorkommen (z. B. „Ich wurde im $month geboren“), richtig transkribiert werden. Wenn Sie auf vordefinierte Klassen verweisen möchten, verwenden Sie das Symbol der Klasse mit dem Präfix $, z.B. $MONTH. Wenn Sie auf benutzerdefinierte Klassen verweisen möchten, die inline in der Anfrage definiert wurden, legen Sie custom_class_id der Klasse auf einen String fest, der für alle Klassenressourcen und Inline-Klassen eindeutig ist. Verwenden Sie dann die ID der Klasse, die in ${...} eingeschlossen ist, z.B. „${my-months}“. Wenn Sie auf benutzerdefinierte Klassenressourcen verweisen möchten, verwenden Sie die ID der Klasse, die in ${} eingeschlossen ist, z.B. ${my-months}.
Speech-to-Text unterstützt drei Standorte: global, us (Nordamerika, USA) und eu (Europa). Wenn Sie den Endpunkt speech.googleapis.com aufrufen, verwenden Sie den Speicherort global. Wenn Sie eine Region angeben möchten, verwenden Sie einen regionalen Endpunkt mit dem entsprechenden us- oder eu-Standortwert.
| Felder | |
|---|---|
value |
Die Wortgruppe selbst. |
boost |
Hinweis-Boost Überschreibt die Optimierung, die auf Wortgruppensatzebene festgelegt ist. Ein positiver Wert erhöht die Wahrscheinlichkeit, dass eine bestimmte Wortgruppe gegenüber anderen ähnlich klingenden Wortgruppen erkannt wird. Je höher der Boost, desto höher ist auch die Wahrscheinlichkeit einer fälschlichen Erkennung. Negatives Boosting wird einfach ignoriert. Für |
Bundesland
Eine Reihe von Status, die den Lebenszyklus einer CustomClass definieren.
| Enums | |
|---|---|
STATE_UNSPECIFIED |
Nicht angegebener Zustand. Dies wird nur verwendet, um nicht festgelegte Werte zu unterscheiden. |
ACTIVE |
Der normale und der aktive Status. |
DELETED |
Diese CustomClass wurde gelöscht. |
RecognitionAudio
Enthält Audiodaten in der in RecognitionConfig angegebenen Codierung. Es muss entweder content oder uri angegeben werden. Wenn Sie beide oder keine Werte angeben, wird google.rpc.Code.INVALID_ARGUMENT zurückgegeben. Weitere Informationen
| Felder | |
|---|---|
Union-Feld audio_source. Die Audioquelle, bei der es sich um Inline-Content oder einen Google Cloud Storage-URI handelt. Für audio_source ist nur einer der folgenden Werte zulässig: |
|
content |
Die in |
uri |
URI, der auf eine Datei verweist, die Audiodatenbyte enthält, wie in |
RecognitionConfig
Stellt dem Erkennungsmodul Informationen zur Verarbeitung der Anfrage zur Verfügung.
| Felder | |||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
encoding |
Codierung von Audiodaten, die in allen |
||||||||||||||||||
sample_rate_hertz |
Sampling-Rate der in allen |
||||||||||||||||||
audio_channel_count |
Die Anzahl der Kanäle in den Audioeingabedaten. Legen Sie dies NUR für die MEHRKANAL-Erkennung fest. Gültige Werte für LINEAR16, OGG_OPUS und FLAC sind |
||||||||||||||||||
enable_separate_recognition_per_channel |
Dies muss explizit auf |
||||||||||||||||||
language_code |
Erforderlich. Die Sprache der übermittelten Audiodaten, angegeben als BCP-47-Sprachcode. Beispiel: "en-US". Unter Sprachunterstützung finden Sie eine Liste der aktuell unterstützten Sprachcodes. |
||||||||||||||||||
alternative_language_codes[] |
Eine Liste mit bis zu drei zusätzlichen BCP-47-Sprachcodes, in der mögliche alternative Sprachen der bereitgestellten Audiodaten aufgeführt sind. Unter Sprachunterstützung finden Sie eine Liste der aktuell unterstützten Sprachcodes. Wenn alternative Sprachen aufgelistet sind, enthält das Erkennungsergebnis die Erkennung in der erkannten Sprache, die am wahrscheinlichsten ist, einschließlich des Hauptsprachencodes. Das Erkennungsergebnis enthält den Sprachcode der Sprache, die in dem Audio erkannt wird. Hinweis: Diese Funktion wird nur für Anwendungsfälle der Sprachsteuerung und der Sprachsuche unterstützt, und die Leistung kann für andere Anwendungsfälle variieren (z. B. Transkription von Telefonanrufen). |
||||||||||||||||||
max_alternatives |
Maximale Anzahl der zurückzugebenden Erkennungshypothesen. Genauer gesagt die maximale Anzahl von |
||||||||||||||||||
profanity_filter |
Wenn der Wert auf |
||||||||||||||||||
adaptation |
Durch die Konfiguration der Sprachanpassung wird die Genauigkeit der Spracherkennung verbessert. Weitere Informationen finden Sie in der Dokumentation zur Sprachanpassung. Wenn die Sprachanpassung festgelegt ist, wird das Feld |
||||||||||||||||||
transcript_normalization |
Optional. Mit der Transkriptnormalisierung können Sie automatisch bestimmte Teile des Transkripts durch von Ihnen ausgewählte Formulierungen ersetzen lassen. Bei StreamingRecognize gilt diese Normalisierung nur für stabile Teiltranskripte (Stabilität > 0, 8) und endgültige Transkripte. |
||||||||||||||||||
speech_contexts[] |
Array von |
||||||||||||||||||
enable_word_time_offsets |
Bei |
||||||||||||||||||
enable_word_confidence |
Bei |
||||||||||||||||||
enable_automatic_punctuation |
Wenn „true“, werden den Hypothesen für das Erkennungsergebnis Satzzeichen hinzugefügt. Diese Funktion steht nur für ausgewählte Sprachen zur Verfügung. Wird sie für andere Sprachen festgelegt, hat dies keine Auswirkungen. Mit dem Standardwert "false" werden den Ergebnishypothesen keine Satzzeichen hinzugefügt. |
||||||||||||||||||
enable_spoken_punctuation |
Das Verhalten der gesprochenen Satzzeichen für den Anruf. Wenn nicht festgelegt, wird das Standardverhalten basierend auf dem ausgewählten Modell verwendet. Bei „command_and_search“ werden gesprochene Satzzeichen standardmäßig aktiviert. Wenn „true“, werden gesprochene Satzzeichen in der Anfrage durch die entsprechenden Symbole ersetzt. Beispiel: „Wie geht es dir Fragezeichen“ wird zu „Wie geht es dir?“. Weitere Informationen finden Sie unter https://cloud.google.com/speech-to-text/docs/spoken-punctuation. Bei „false“ werden gesprochene Satzzeichen nicht ersetzt. |
||||||||||||||||||
enable_spoken_emojis |
Das Verhalten der gesprochenen Emojis für den Anruf. Wenn nicht festgelegt, wird das Standardverhalten basierend auf dem ausgewählten Modell verwendet. Wenn „true“, wird für die Anfrage die Formatierung von gesprochenen Emojis hinzugefügt. Dadurch werden gesprochene Emojis im endgültigen Transkript durch die entsprechenden Unicode-Symbole ersetzt. Bei „false“ werden gesprochene Emojis nicht ersetzt. |
||||||||||||||||||
enable_speaker_diarization |
Wenn „true“, wird die Sprechererkennung für jedes erkannte Wort in der besten Alternative des Erkennungsergebnisses mithilfe eines in WordInfo bereitgestellten „speaker_label“ aktiviert. Hinweis: Verwenden Sie stattdessen diarization_config. |
||||||||||||||||||
diarization_speaker_count |
Wenn festgelegt, gibt dies die geschätzte Anzahl der Sprecher in der Unterhaltung an. Die Standardeinstellung ist „2“. Wird ignoriert, sofern „enable_speaker_diarization“ nicht auf „true“ gesetzt ist. Hinweis: Verwenden Sie stattdessen diarization_config. |
||||||||||||||||||
diarization_config |
Konfiguration zum Aktivieren der Sprecherbestimmung und Festlegen zusätzlicher Parameter, um die Bestimmung besser an Ihre Anwendung anzupassen. Hinweis: Wenn diese Option aktiviert ist, senden wir alle Wörter vom Beginn des Audios für die beste Alternative in jeder nachfolgenden STREAMING-Antwort. Damit sollen die Sprechertags verbessert werden, da unsere Modelle lernen, die Sprecher im Gespräch im Laufe der Zeit zu identifizieren. Bei Nicht-Streaming-Anfragen werden die Ergebnisse der Sprecherbestimmung nur in der besten Alternative des FINAL SpeechRecognitionResult bereitgestellt. |
||||||||||||||||||
metadata |
Metadaten zu dieser Anfrage. |
||||||||||||||||||
model |
Auswahl des Modells für die jeweilige Anfrage. Wählen Sie das für Ihre Domain am besten geeignete Modell aus, um die besten Ergebnisse zu erzielen. Wird kein Modell explizit angegeben, wird ein Modell basierend auf den Parametern in der RecognitionConfig automatisch ausgewählt.
|
||||||||||||||||||
use_enhanced |
Auf „true“ setzen, um ein optimiertes Modell für die Spracherkennung zu verwenden. Wenn Wenn |
||||||||||||||||||
AudioEncoding
Die Codierung der Audiodaten, die in der Anfrage gesendet wurden.
Bei allen Codierungen werden nur Audiodaten mit einem Kanal unterstützt (Mono), sofern die Felder audio_channel_count und enable_separate_recognition_per_channel nicht festgelegt sind.
Für optimale Ergebnisse sollte die Audioquelle mit einer verlustfreien Codierung (FLAC oder LINEAR16) erfasst und übertragen werden. Die Genauigkeit der Spracherkennung kann reduziert werden, wenn verlustbehaftete Codecs zum Erfassen oder Übertragen von Audio verwendet werden, insbesondere wenn Hintergrundgeräusche vorhanden sind. Zu verlustbehafteten Codecs gehören MULAW, AMR, AMR_WB, OGG_OPUS, SPEEX_WITH_HEADER_BYTE, MP3 und WEBM_OPUS.
Die Audiodateiformate FLAC und WAV enthalten einen Header, der den enthaltenen Audioinhalt beschreibt. Sie können die Erkennung für WAV-Dateien anfordern, die mit LINEAR16 oder MULAW codierte Audiodaten enthalten. Wenn Sie in Ihrer Anfrage das Audiodateiformat FLAC oder WAV senden, müssen Sie kein AudioEncoding festlege. Das Audiocodierungsformat wird aus dem Dateiheader bestimmt. Wenn Sie beim Senden von FLAC- oder WAV-Audiodaten eine AudioEncoding angeben, muss die Codierungskonfiguration mit der im Audioheader beschriebenen Codierung übereinstimmen. Andernfalls gibt die Anfrage den Fehlercode google.rpc.Code.INVALID_ARGUMENT zurück.
| Enums | |
|---|---|
ENCODING_UNSPECIFIED |
Nicht angegeben. |
LINEAR16 |
Unkomprimierte 16-Bit-Little-Endian-Samples mit Vorzeichen (Lineare PCM). |
FLAC |
Als Codierung wird FLAC (Free Lossless Audio Codec) empfohlen, da sie verlustfrei arbeitet, sodass die Erkennung nicht beeinträchtigt wird, und nur etwa halb so viel Bandbreite wie LINEAR16 benötigt. Die Streamcodierung FLAC unterstützt 16-Bit- und 24-Bit-Samples, jedoch werden nicht alle Felder in STREAMINFO unterstützt. |
MULAW |
8-Bit-Samples zur Kompandierung von 14-Bit-Audiosamples mit G.711 PCMU/mu-law. |
AMR |
Adaptiver Codec für Multi-Rate-Schmalband. sample_rate_hertz muss 8.000 betragen. |
AMR_WB |
Adaptiver Codec für Multi-Rate-Breitband. sample_rate_hertz muss 16.000 betragen. |
OGG_OPUS |
Opuscodierte Audioframes im Ogg-Container (OggOpus). Die sample_rate_hertz muss 8.000, 12.000, 16.000, 24.000 oder 48.000 betragen. |
SPEEX_WITH_HEADER_BYTE |
Die Verwendung verlustbehafteter Codierungen wird zwar nicht empfohlen, aber wenn eine Codierung mit sehr niedriger Bitrate erforderlich ist, ist OGG_OPUS gegenüber einer Speex-Codierung klar vorzuziehen. Die von der Cloud Speech API unterstützte Speex-Codierung hat in jedem Block ein Header-Byte, wie im MIME-Typ audio/x-speex-with-header-byte. Es handelt sich um eine Variante der in RFC 5574 definierten RTP Speex-Codierung. Der Stream besteht aus einer Abfolge von Blöcken, ein Block pro RTP-Paket. Jeder Block beginnt mit einem Byte, aus dem die Länge des Blocks in Byte hervorgeht, gefolgt von einem oder mehreren Frames an Speex-Daten, die gemäß RFC 5574 auf eine ganzzahlige Anzahl von Byte (Oktetten) aufgefüllt werden. Mit anderen Worten, jeder RTP-Header wird durch ein einzelnes Byte ersetzt, aus dem die Blocklänge hervorgeht. Es wird ausschließlich Speex-Breitband unterstützt. sample_rate_hertz muss 16.000 sein. |
MP3 |
MP3-Audio. Die MP3-Codierung ist ein Beta-Feature, das nur in v1p1beta1 verfügbar ist. Unterstützt alle gängigen MP3-Bitraten (von 32 bis 320 kbit/s). Bei Verwendung dieser Codierung muss sample_rate_hertz mit der Abtastrate der verwendeten Datei übereinstimmen. |
WEBM_OPUS |
Opus-codierte Audioframes in einem WebM-Container (WebM). sample_rate_hertz muss 8.000, 12.000, 16.000, 24.000 oder 48.000 betragen. |
ALAW |
8-Bit-Samples zur Kompandierung von 13-Bit-Audiosamples mit G.711 PCMU/a-law. |
RecognitionMetadata
Beschreibung der zu erkennenden Audiodaten.
| Felder | |
|---|---|
interaction_type |
Der Anwendungsfall, der die zu erkennenden Audioinhalte am genauesten beschreibt. |
industry_naics_code_of_audio |
Die vertikale Branche, die auf diese Spracherkennungsanfrage am genauesten zutrifft. Dies ist ein nützlicher Hinweis auf das Thema, um das es in der Audiodatei geht. Geben Sie die vertikale Branche mit dem sechsstelligen NAICS-Code an, siehe https://www.naics.com/search/. |
microphone_distance |
Der Audiotyp, mit dem sich die zu erkennende Audiodatei am besten beschreiben lässt. |
original_media_type |
Das Medium, auf dem die Sprache ursprünglich aufgezeichnet wurde. |
recording_device_type |
Die Art von Gerät, mit dem die Sprache aufgezeichnet wurde. |
recording_device_name |
Das für die Aufzeichnung verwendete Gerät. Beispiele: "Nexus 5X", "Polycom SoundStation IP 6000", "POTS", "VoIP" oder "Cardioid Microphone". |
original_mime_type |
MIME-Typ der ursprünglichen Audiodatei. Beispiele: |
obfuscated_id |
Die verschleierte (dem Datenschutz unterliegende) ID des Nutzers. Mit dieser wird die Anzahl der einzelnen Nutzer bestimmt, die den Dienst verwenden. |
audio_topic |
Beschreibung des Inhalts, z. B. "Aufnahmen von Anhörungen des Supreme Courts aus dem Jahr 2012". |
InteractionType
Kategorien von Anwendungsfällen, mit denen sich die Anfrage wegen Spracherkennung beschreiben lässt.
| Enums | |
|---|---|
INTERACTION_TYPE_UNSPECIFIED |
Der Anwendungsfall ist entweder unbekannt oder entspricht nicht einem der anderen unten angegebenen Werte. |
DISCUSSION |
Mehrere Personen in einer Unterhaltung oder Diskussion. Zum Beispiel bei einer Sitzung mit mindestens zwei aktiven Teilnehmern. In der Regel befinden sich alle Hauptsprecher im selben Raum (wenn nicht, siehe PHONE_CALL). |
PRESENTATION |
Mindestens eine Person, die vor anderen einen Vortrag oder eine Präsentation hält, vorwiegend ohne Unterbrechung. |
PHONE_CALL |
Ein Telefonanruf oder eine Videokonferenz mit mindestens zwei aktiven Teilnehmern, die sich nicht im selben Raum befinden. |
VOICEMAIL |
Eine aufgezeichnete Nachricht, die für eine andere Person bestimmt ist. |
PROFESSIONALLY_PRODUCED |
Professionell produzierte Audioinhalte (z. B. Fernsehsendung, Podcast). |
VOICE_SEARCH |
Transkription von gesprochenen Suchanfragen und Erkundigungen. |
VOICE_COMMAND |
Transkription von Sprachbefehlen, z. B. zum Steuern eines Geräts. |
DICTATION |
Transkription von Sprache zum Erstellen eines schriftlichen Dokuments, z. B. einer Textnachricht, einer E-Mail oder eines Berichts. |
MicrophoneDistance
Aufzählung der Arten von Erfassungseinstellungen zur Beschreibung einer Audiodatei.
| Enums | |
|---|---|
MICROPHONE_DISTANCE_UNSPECIFIED |
Der Audiotyp ist nicht bekannt. |
NEARFIELD |
Die Audiodaten wurden mit einem Aufnahmegerät in geringem Abstand erfasst. Zum Beispiel Telefon, Diktiergerät oder Handmikrofon. In der Regel befindet sich der Sprecher in einem Abstand von höchstens einem Meter zum Mikrofon. |
MIDFIELD |
Der Sprecher befindet sich in einem Abstand von höchstens drei Metern zum Mikrofon. |
FARFIELD |
Der Sprecher befindet sich in einem Abstand von über drei Metern zum Mikrofon. |
OriginalMediaType
Das Medium, auf dem die Sprache ursprünglich aufgezeichnet wurde.
| Enums | |
|---|---|
ORIGINAL_MEDIA_TYPE_UNSPECIFIED |
Ursprünglicher Medientyp unbekannt. |
AUDIO |
Bei den Sprachdaten handelt es sich um eine Audioaufzeichnung. |
VIDEO |
Die Sprachdaten wurden ursprünglich auf Video aufgezeichnet. |
RecordingDeviceType
Die Art von Gerät, mit dem die Sprache aufgezeichnet wurde.
| Enums | |
|---|---|
RECORDING_DEVICE_TYPE_UNSPECIFIED |
Das Aufnahmegerät ist unbekannt. |
SMARTPHONE |
Die Sprache wurde auf einem Smartphone aufgezeichnet. |
PC |
Die Sprache wurde mit einem PC oder Tablet aufgezeichnet. |
PHONE_LINE |
Die Sprache wurde über eine Telefonleitung aufgezeichnet. |
VEHICLE |
Die Sprache wurde in einem Fahrzeug aufgezeichnet. |
OTHER_OUTDOOR_DEVICE |
Die Sprache wurde im Freien aufgezeichnet. |
OTHER_INDOOR_DEVICE |
Die Sprache wurde in einem geschlossenen Raum aufgenommen. |
RecognizeRequest
Die Nachricht auf oberster Ebene, die vom Client an die Methode Recognize gesendet wird.
| Felder | |
|---|---|
config |
Erforderlich. Stellt dem Erkennungsmodul Informationen zur Verarbeitung der Anfrage zur Verfügung. |
audio |
Erforderlich. Die zu erkennenden Audiodaten. |
RecognizeResponse
Die einzige Nachricht, die von der Methode Recognize an den Client zurückgegeben wird. Sie enthält das Ergebnis als null oder mehr aufeinanderfolgende SpeechRecognitionResult-Nachrichten.
| Felder | |
|---|---|
results[] |
Sequenzielle Liste der Transkriptionsergebnisse, die den sequenziellen Teilen einer Audiodatei entsprechen. |
total_billed_time |
Wenn verfügbar, die abgerechneten Audiosekunden für die entsprechende Anfrage. |
speech_adaptation_info |
Liefert Informationen zum Anpassungsverhalten in der Antwort |
request_id |
Die ID, die der Anfrage zugeordnet ist. Dies ist eine eindeutige ID, die nur für die jeweilige Anfrage gilt. |
using_legacy_models |
Gibt an, ob in der Anfrage Legacy-ASR-Modelle verwendet wurden (die nicht automatisch auf Conformer-Modelle migriert wurden). |
SpeakerDiarizationConfig
Konfiguration zum Aktivieren der Sprecherbestimmung.
| Felder | |
|---|---|
enable_speaker_diarization |
Wenn „true“, wird die Sprechererkennung für jedes erkannte Wort in der besten Alternative des Erkennungsergebnisses mithilfe eines in WordInfo bereitgestellten „speaker_label“ aktiviert. |
min_speaker_count |
Mindestanzahl der Sprecher in der Unterhaltung. Dieser Bereich bietet Ihnen mehr Flexibilität, da das System die richtige Anzahl der Sprecher automatisch bestimmen kann. Wenn nicht festgelegt, beträgt der Standardwert 2. |
max_speaker_count |
Maximale Anzahl der Sprecher in der Unterhaltung. Dieser Bereich bietet Ihnen mehr Flexibilität, da das System die richtige Anzahl der Sprecher automatisch bestimmen kann. Wenn nicht festgelegt, beträgt der Standardwert 6. |
speaker_tag |
Nur Ausgabe. nicht in Verwendung. |
SpeechAdaptation
Konfiguration der Sprachanpassung.
| Felder | |
|---|---|
phrase_sets[] |
Eine Sammlung von Wortgruppensätzen. Wenn Sie die Hinweise inline angeben möchten, lassen Sie das Feld |
phrase_set_references[] |
Eine Sammlung von Ressourcennamen für Wortgruppen, die verwendet werden sollen. |
custom_classes[] |
Eine Sammlung benutzerdefinierter Klassen. Wenn Sie die Klassen inline angeben möchten, lassen Sie das |
abnf_grammar |
Die Augmented Backus-Naur Form (ABNF) ist eine standardisierte Grammatiknotation, die aus einer Reihe von Ableitungsregeln besteht. Spezifikationen: https://www.w3.org/TR/speech-grammar |
ABNFGrammar
| Felder | |
|---|---|
abnf_strings[] |
Alle Deklarationen und Regeln einer ABNF-Grammatik, die in mehrere Strings aufgeteilt werden, die am Ende verkettet werden. |
SpeechAdaptationInfo
Informationen zur Verwendung der Sprachanpassung in Ergebnissen
| Felder | |
|---|---|
adaptation_timeout |
Gibt an, ob beim Anwenden der Sprachanpassung eine Zeitüberschreitung aufgetreten ist. Wenn „true“, hatte die Anpassung keine Auswirkungen auf das Transkript in der Antwort. |
timeout_message |
Wenn festgelegt, wird eine Meldung zurückgegeben, die angibt, welcher Teil der Anfrage zur Sprachanpassung das Zeitlimit überschritten hat. |
SpeechContext
Liefert dem Spracherkennungsmodul "Hinweise" für bestimmte Wörter und Wendungen, die bei den Ergebnissen zu bevorzugen sind.
| Felder | |
|---|---|
phrases[] |
Eine Liste von Strings, die Wörter und Wortgruppen "Hinweise" enthalten, damit die Spracherkennung sie mit größerer Wahrscheinlichkeit erkennt. Kann zur Verbesserung der Genauigkeit für bestimmte Wörter und Wendungen verwendet werden, z. B. wenn der Nutzer bestimmte Befehle häufig spricht. Lässt sich ebenfalls verwenden, um weitere Wörter zum Vokabular des Erkennungsmoduls hinzuzufügen. Siehe Nutzungsbeschränkungen. Listenelemente können auch auf Klassen für Wortgruppen festgelegt werden, die gängige Konzepte in natürlicher Sprache darstellen. Anstatt beispielsweise für jeden Monat des Jahres Phrasenhinweise anzugeben, erhöht die Verwendung der Klasse $MONTH die Wahrscheinlichkeit, dass Audio mit Monaten korrekt transkribiert wird. |
boost |
Hinweis-Boost Ein positiver Wert erhöht die Wahrscheinlichkeit, dass eine bestimmte Wortgruppe gegenüber anderen ähnlich klingenden Wortgruppen erkannt wird. Je höher der Boost, desto höher ist auch die Wahrscheinlichkeit einer fälschlichen Erkennung. Negative Boost-Werte entsprechen der Anti-Bias-Funktion. Die Funktion zur Vermeidung von Bias ist nicht aktiviert. Der negative Boost wird daher einfach ignoriert. Für |
SpeechRecognitionAlternative
Alternative Hypothesen.
| Felder | |
|---|---|
transcript |
Transkriptionstext mit den vom Nutzer gesprochenen Wörtern In Sprachen, in denen Wörter durch Leerzeichen getrennt werden, kann das Transkript ein vorangestelltes Leerzeichen enthalten, wenn es nicht das erste Ergebnis ist. Sie können die einzelnen Ergebnisse verketten, um das vollständige Transkript ohne Trennzeichen zu erhalten. |
confidence |
Eine Konfidenzschätzung zwischen 0,0 und 1,0. Je höher der Wert ist, desto höher ist die geschätzte Wahrscheinlichkeit, dass die Wörter korrekt erkannt wurden. Dieses Feld wird nur für die beste Alternative eines Nicht-Streaming-Ergebnisses oder eines Streaming-Ergebnisses festgelegt, bei dem |
words[] |
Eine Liste von wortspezifischen Informationen zu jedem erkannten Wort. Hinweis: Wenn |
SpeechRecognitionResult
Ein Spracherkennungsergebnis, das einem Teil der Audiodaten entspricht.
| Felder | |
|---|---|
alternatives[] |
Kann eine oder mehrere Erkennungshypothesen enthalten (bis zum Maximum, das in |
channel_tag |
Bei Mehrkanalaudio ist dies die Kanalnummer, die dem erkannten Ergebnis für die Audiodaten aus diesem Kanal entspricht. Bei "audio_channel_count" = N können dessen Ausgabewerte zwischen 1 und N liegen. |
result_end_time |
Zeitverschiebung des Endes dieses Ergebnisses relativ zum Beginn des Audios. |
language_code |
Nur Ausgabe. Der Sprachcode BCP-47 der Sprache in diesem Ergebnis. Es wurde erkannt, dass dieser Sprachcode wahrscheinlich in der Audiodatei gesprochen wird. |
StreamingRecognitionConfig
Stellt dem Erkennungsmodul Informationen zur Verarbeitung der Anfrage zur Verfügung.
| Felder | |
|---|---|
config |
Erforderlich. Stellt dem Erkennungsmodul Informationen zur Verarbeitung der Anfrage zur Verfügung. |
single_utterance |
Wenn Bei Das Feld
|
interim_results |
Bei |
enable_voice_activity_events |
Wenn |
voice_activity_timeout |
Wenn festgelegt, schließt der Server den Stream automatisch, nachdem die angegebene Dauer seit dem Senden des letzten VOICE_ACTIVITY-Sprachereignisses verstrichen ist. Das Feld |
VoiceActivityTimeout
Ereignisse, für die ein Zeitlimit für Sprachaktivitäten festgelegt werden kann.
| Felder | |
|---|---|
speech_start_timeout |
Dauer, nach der der Stream beendet wird, wenn keine Sprache erkannt wird. |
speech_end_timeout |
Dauer, nach der der Stream beendet wird, nachdem die Sprache beendet wurde. |
StreamingRecognitionResult
Ein Erkennungsergebnis für gestreamte Sprache, das einem Teil der Audiodaten entspricht, die aktuell verarbeitet werden.
| Felder | |
|---|---|
alternatives[] |
Kann eine oder mehrere Erkennungshypothesen enthalten (bis zum Maximum, das in |
is_final |
Bei |
stability |
Eine Schätzung der Wahrscheinlichkeit dafür, dass die Vermutung im Hinblick auf dieses Zwischenergebnis vom Erkennungsmodul nicht geändert wird. Die Werte reichen von 0,0 (vollständig unzuverlässig) bis 1,0 (vollständig zuverlässig). Dieses Feld wird nur für Zwischenergebnisse ( |
result_end_time |
Zeitverschiebung des Endes dieses Ergebnisses relativ zum Beginn des Audios. |
channel_tag |
Bei Mehrkanalaudio ist dies die Kanalnummer, die dem erkannten Ergebnis für die Audiodaten aus diesem Kanal entspricht. Bei "audio_channel_count" = N können dessen Ausgabewerte zwischen 1 und N liegen. |
language_code |
Nur Ausgabe. Der Sprachcode BCP-47 der Sprache in diesem Ergebnis. Es wurde erkannt, dass dieser Sprachcode wahrscheinlich in der Audiodatei gesprochen wird. |
StreamingRecognizeRequest
Die Nachricht auf oberster Ebene, die vom Client an die Methode StreamingRecognize gesendet wird. Es werden mehrere StreamingRecognizeRequest-Nachrichten gesendet. Die erste Nachricht muss eine streaming_config-Nachricht und darf keine audio_content-Daten enthalten. Alle nachfolgenden Nachrichten müssen audio_content enthalten und dürfen keine streaming_config-Nachricht enthalten.
| Felder | |
|---|---|
Union-Feld streaming_request. Die Streaminganfrage, die entweder eine Streamingkonfiguration oder Audioinhalte ist. Für streaming_request ist nur einer der folgenden Werte zulässig: |
|
streaming_config |
Stellt dem Erkennungsmodul Informationen zur Verarbeitung der Anfrage zur Verfügung. Die erste |
audio_content |
Die zu erkennenden Audiodaten. Sequenzielle Blöcke von Audiodaten werden in sequenziellen |
StreamingRecognizeResponse
StreamingRecognizeResponse ist die einzige Nachricht, die von StreamingRecognize an den Client zurückgegeben wird. Eine Reihe von null oder mehr StreamingRecognizeResponse-Nachrichten werden an den Client zurückgestreamt. Wenn kein Audio erkannt wird und single_utterance auf „false“ gesetzt ist, werden keine Nachrichten an den Client zurückgestreamt.
Hier sehen Sie ein Beispiel für eine Reihe von StreamingRecognizeResponse, die bei der Audioverarbeitung zurückgegeben werden können:
results { alternatives { transcript: "seihen" } stability: 0.01 }
results { alternatives { transcript: "seiner" } stability: 0.01 }
results { alternatives { transcript: "sein" } stability: 0.9 } results { alternatives { transcript: " oder nicht sein" } stability: 0.01 }
results { alternatives { transcript: "sein oder nicht sein" confidence: 0.92 } alternatives { transcript: "seihen oder nicht seihen" } is_final: true }
results { alternatives { transcript: " dass ist" } stability: 0.01 }
results { alternatives { transcript: " das ist" } stability: 0.9 } results { alternatives { transcript: " hier die Frage" } stability: 0.01 }
results { alternatives { transcript: " das ist die Frage" confidence: 0.98 } alternatives { transcript: " das war die Frage" } is_final: true }
Hinweise:
Nur zwei der oben genannten Antworten (Nr. 4 und Nr. 7) enthalten endgültige Ergebnisse, die durch
is_final: truegekennzeichnet sind. Werden diese Ergebnisse zusammengefügt, erhält man das vollständige Transkript: "sein oder nicht sein, das ist die Frage".Die anderen enthalten Zwischenwerte
results. #3 und #6 enthalten zwei vorläufigeresults: Der erste Abschnitt weist eine hohe Stabilität auf und ist weniger anfällig für Änderungen. Der zweite Teil hat eine geringe Stabilität und wird sich wahrscheinlich ändern. Ein UI-Designer kann sich dafür entscheiden, nurresultsmit hoher Stabilität anzuzeigen.Die oben angegebenen spezifischen Werte für
stabilityundconfidencedienen nur zur Veranschaulichung. Die tatsächlichen Werte können davon abweichen.In jeder Antwort wird nur eines der folgenden Felder festgelegt:
error,speech_event_typeoder eines oder mehrere (wiederholte)results.
| Felder | |
|---|---|
error |
Wenn festgelegt, wird eine |
results[] |
Diese wiederholte Liste enthält null oder mehr Ergebnisse, die aufeinanderfolgenden Teilen der aktuell bearbeiteten Audiodaten entsprechen. Sie enthält null oder ein |
speech_event_type |
Gibt die Art des Sprachereignisses an. |
speech_event_time |
Zeitverschiebung zwischen dem Beginn der Audio- und der Ereignisemission. |
total_billed_time |
Wenn verfügbar, abgerechnete Audiosekunden für den Stream. Nur festlegen, wenn dies die letzte Antwort im Stream ist. |
speech_adaptation_info |
Liefert Informationen zum Anpassungsverhalten in der Antwort |
request_id |
Die ID, die der Anfrage zugeordnet ist. Dies ist eine eindeutige ID, die nur für die jeweilige Anfrage gilt. |
SpeechEventType
Gibt die Art des Sprachereignisses an.
| Enums | |
|---|---|
SPEECH_EVENT_UNSPECIFIED |
Kein Sprachereignis angegeben. |
END_OF_SINGLE_UTTERANCE |
Mit diesem Ereignis wird angezeigt, dass vom Server das Ende der sprachlichen Äußerung des Nutzers erkannt wurde und keine weiteren Sprachdaten erwartet werden. Daher werden keine weiteren Audiodaten vom Server verarbeitet (möglicherweise gibt er jedoch noch weitere Ergebnisse aus). Der Client sollte keine weiteren Audiodaten mehr senden, die gRPC-Verbindung in eine Richtung schließen und auf weitere Ergebnisse warten, bis die gRPC-Verbindung vom Server geschlossen wurde. Dieses Ereignis wird nur gesendet, wenn single_utterance auf true festgelegt wurde. Andernfalls wird es nicht verwendet. |
SPEECH_ACTIVITY_BEGIN |
Dieses Ereignis gibt an, dass der Server den Beginn der menschlichen Sprachaktivität im Stream erkannt hat. Dieses Ereignis kann mehrmals zurückgegeben werden, wenn die Sprache im Stream wiederholt beginnt und endet. Dieses Ereignis wird nur gesendet, wenn voice_activity_events auf „true“ gesetzt ist. |
SPEECH_ACTIVITY_END |
Dieses Ereignis gibt an, dass der Server das Ende der menschlichen Sprachaktivität im Stream erkannt hat. Dieses Ereignis kann mehrmals zurückgegeben werden, wenn die Sprache im Stream wiederholt beginnt und endet. Dieses Ereignis wird nur gesendet, wenn voice_activity_events auf „true“ gesetzt ist. |
SPEECH_ACTIVITY_TIMEOUT |
Dieses Ereignis gibt an, dass das vom Nutzer festgelegte Zeitlimit für den Beginn oder das Ende der Sprachaktivität überschritten wurde. Nach dem Empfang dieses Ereignisses wird vom Client erwartet, dass er einen halben Schließvorgang sendet. Weitere Audioinhalte werden nicht verarbeitet. |
TranscriptNormalization
Konfiguration der Transkriptionsnormalisierung. Mit der Transkriptnormalisierung können Sie automatisch bestimmte Teile des Transkripts durch von Ihnen ausgewählte Formulierungen ersetzen lassen. Bei StreamingRecognize gilt diese Normalisierung nur für stabile Teiltranskripte (Stabilität > 0, 8) und endgültige Transkripte.
| Felder | |
|---|---|
entries[] |
Eine Liste mit Ersatzeinträgen. Wir werden jeweils einen Eintrag ersetzen. Der zweite Eintrag in ["cat" => "dog", "mountain cat" => "mountain dog"] wird beispielsweise nie angewendet, da der erste Eintrag immer zuerst verarbeitet wird. Maximal 100 Einträge. |
Eintrag
Eine einzelne Ersatzkonfiguration.
| Felder | |
|---|---|
search |
Was ersetzt werden soll. Darf maximal 100 Zeichen lang sein. |
replace |
Wodurch soll sie ersetzt werden? Darf maximal 100 Zeichen lang sein. |
case_sensitive |
Gibt an, ob bei der Suche zwischen Groß- und Kleinschreibung unterschieden wird. |
TranscriptOutputConfig
Gibt ein optionales Ziel für die Erkennungsergebnisse an.
| Felder | |
|---|---|
Union-Feld Für |
|
gcs_uri |
Gibt einen Cloud Storage-URI für die Erkennungsergebnisse an. Muss im Format |
UpdateCustomClassRequest
Nachricht, die vom Client für die Methode UpdateCustomClass gesendet wird.
| Felder | |
|---|---|
custom_class |
Erforderlich. Die benutzerdefinierte Klasse, die aktualisiert werden soll. Das Feld
Speech-to-Text unterstützt drei Standorte: Für die Autorisierung ist die folgende IAM-Berechtigung für die angegebene Ressource
|
update_mask |
Die Liste der zu aktualisierenden Felder. |
UpdatePhraseSetRequest
Nachricht, die vom Client für die Methode UpdatePhraseSet gesendet wird.
| Felder | |
|---|---|
phrase_set |
Erforderlich. Der zu aktualisierende Wortgruppensatz. Das Feld
Speech-to-Text unterstützt drei Standorte: Für die Autorisierung ist die folgende IAM-Berechtigung für die angegebene Ressource
|
update_mask |
Die Liste der zu aktualisierenden Felder. |
WordInfo
Wortspezifische Informationen zu erkannten Wörtern
| Felder | |
|---|---|
start_time |
Zeitverschiebung, bezogen auf den Beginn der Audiodaten und entsprechend dem Anfang des gesprochenen Worts. Dieses Feld wird nur bei |
end_time |
Zeitverschiebung, bezogen auf den Beginn der Audiodaten und entsprechend dem Ende des gesprochenen Worts. Dieses Feld wird nur bei |
word |
Das Wort, auf das sich diese Informationen beziehen. |
confidence |
Eine Konfidenzschätzung zwischen 0,0 und 1,0. Je höher der Wert ist, desto höher ist die geschätzte Wahrscheinlichkeit, dass die Wörter korrekt erkannt wurden. Dieses Feld wird nur für die beste Alternative eines Nicht-Streaming-Ergebnisses oder eines Streaming-Ergebnisses festgelegt, bei dem |
speaker_tag |
Nur Ausgabe. Jedem Sprecher in der Audiodatei wird ein bestimmter Ganzzahlwert zugewiesen. Dieses Feld gibt an, welcher dieser Sprecher jenes Wort gesprochen hat. Der Wertebereich reicht von 1 bis „diarization_speaker_count“. „speaker_tag“ wird festgelegt, wenn „enable_speaker_diarization“ = „true“ ist, und nur für die beste Alternative. Hinweis: Verwenden Sie stattdessen speaker_label. |
speaker_label |
Nur Ausgabe. Ein Labelwert, der jedem einzelnen Sprecher in den Audiodaten zugewiesen wird. Dieses Feld gibt an, welcher Sprecher dieses Wort gesprochen hat. Bei einigen Modellen wie „medical_conversation“ kann dies die tatsächliche Sprecherrolle sein, z. B. „patient“ oder „provider“. In der Regel ist dies jedoch eine Nummer, die einen Sprecher identifiziert. Dieses Feld wird nur festgelegt, wenn „enable_speaker_diarization“ = „true“ ist, und nur für die beste Alternative. |