Índice
Adaptation(interfaz)Speech(interfaz)CreateCustomClassRequest(mensaje)CreatePhraseSetRequest(mensaje)CustomClass(mensaje)CustomClass.ClassItem(mensaje)CustomClass.State(enum)DeleteCustomClassRequest(mensaje)DeletePhraseSetRequest(mensaje)GetCustomClassRequest(mensaje)GetPhraseSetRequest(mensaje)ListCustomClassesRequest(mensaje)ListCustomClassesResponse(mensaje)ListPhraseSetRequest(mensaje)ListPhraseSetResponse(mensaje)LongRunningRecognizeMetadata(mensaje)LongRunningRecognizeRequest(mensaje)LongRunningRecognizeResponse(mensaje)PhraseSet(mensaje)PhraseSet.Phrase(mensaje)PhraseSet.State(enum)RecognitionAudio(mensaje)RecognitionConfig(mensaje)RecognitionConfig.AudioEncoding(enum)RecognitionMetadata(mensaje) (obsoleto)RecognitionMetadata.InteractionType(enum)RecognitionMetadata.MicrophoneDistance(enum)RecognitionMetadata.OriginalMediaType(enum)RecognitionMetadata.RecordingDeviceType(enum)RecognizeRequest(mensaje)RecognizeResponse(mensaje)SpeakerDiarizationConfig(mensaje)SpeechAdaptation(mensaje)SpeechAdaptation.ABNFGrammar(mensaje)SpeechAdaptationInfo(mensaje)SpeechContext(mensaje)SpeechRecognitionAlternative(mensaje)SpeechRecognitionResult(mensaje)StreamingRecognitionConfig(mensaje)StreamingRecognitionConfig.VoiceActivityTimeout(mensaje)StreamingRecognitionResult(mensaje)StreamingRecognizeRequest(mensaje)StreamingRecognizeResponse(mensaje)StreamingRecognizeResponse.SpeechEventType(enum)TranscriptNormalization(mensaje)TranscriptNormalization.Entry(mensaje)TranscriptOutputConfig(mensaje)UpdateCustomClassRequest(mensaje)UpdatePhraseSetRequest(mensaje)WordInfo(mensaje)
Adaptación
Es el servicio que implementa la API de Google Cloud Speech Adaptation.
| CreateCustomClass |
|---|
|
Crea una clase personalizada.
|
| CreatePhraseSet |
|---|
|
Crea un conjunto de sugerencias de frases. Cada elemento del conjunto puede ser una sola palabra o una frase de varias palabras. El modelo de reconocimiento favorece los elementos de PhraseSet cuando envías una llamada que incluye el PhraseSet.
|
| DeleteCustomClass |
|---|
|
Borra una clase personalizada.
|
| DeletePhraseSet |
|---|
|
Borra un conjunto de frases.
|
| GetCustomClass |
|---|
|
Obtén una clase personalizada.
|
| GetPhraseSet |
|---|
|
Obtiene un conjunto de frases.
|
| ListCustomClasses |
|---|
|
Enumera las clases personalizadas.
|
| ListPhraseSet |
|---|
|
Enumera conjuntos de frases.
|
| UpdateCustomClass |
|---|
|
Actualiza una clase personalizada.
|
| UpdatePhraseSet |
|---|
|
Actualiza un conjunto de frases.
|
Voz
Es el servicio que implementa la API de Google Cloud Speech.
| LongRunningRecognize |
|---|
|
Realiza un reconocimiento de voz asíncrono: recibe resultados a través de la interfaz google.longrunning.Operations. Devuelve un
|
| Reconocer |
|---|
|
Realiza un reconocimiento de voz síncrono: recibe resultados después de que se envíe y procese todo el audio.
|
| StreamingRecognize |
|---|
|
Realiza reconocimiento de voz de transmisión bidireccional: recibe resultados mientras envía audio. Este método solo está disponible a través de la API de gRPC (no la de REST).
|
CreateCustomClassRequest
Es el mensaje que envía el cliente para el método CreateCustomClass.
| Campos | |
|---|---|
parent |
Obligatorio. Es el recurso principal en el que se creará esta clase personalizada. Formato:
Speech-to-Text admite tres ubicaciones: La autorización requiere el siguiente permiso IAM en el recurso especificado
|
custom_class_id |
Obligatorio. Es el ID que se usará para la clase personalizada, que se convertirá en el componente final del nombre del recurso de la clase personalizada. Este valor debe restringirse a letras, números y guiones, con el primer carácter como una letra, el último como una letra o un número, y debe tener entre 4 y 63 caracteres. |
custom_class |
Obligatorio. Es la clase personalizada que se creará. |
CreatePhraseSetRequest
Es el mensaje que envía el cliente para el método CreatePhraseSet.
| Campos | |
|---|---|
parent |
Obligatorio. Es el recurso principal en el que se creará este conjunto de frases. Formato:
Speech-to-Text admite tres ubicaciones: La autorización requiere el siguiente permiso IAM en el recurso especificado
|
phrase_set_id |
Obligatorio. Es el ID que se usará para el conjunto de frases, que se convertirá en el componente final del nombre del recurso del conjunto de frases. Este valor debe restringirse a letras, números y guiones, con el primer carácter como una letra, el último como una letra o un número, y debe tener entre 4 y 63 caracteres. |
phrase_set |
Obligatorio. Es el conjunto de frases que se creará. |
CustomClass
Es un conjunto de palabras o frases que representan un concepto común que es probable que aparezca en tu audio, por ejemplo, una lista de nombres de barcos de pasajeros. Los elementos de CustomClass se pueden sustituir por marcadores de posición que establezcas en las frases de PhraseSet.
| Campos | |
|---|---|
name |
Es el nombre del recurso de la clase personalizada. |
custom_class_id |
Si esta clase personalizada es un recurso, custom_class_id es el ID de recurso de CustomClass. Distingue mayúsculas de minúsculas. |
items[] |
Es una colección de elementos de clase. |
kms_key_name |
Solo salida. Es el nombre de la clave de KMS con la que se encripta el contenido de ClassItem. El formato esperado es |
kms_key_version_name |
Solo salida. Es el nombre de la versión de la clave de KMS con la que se encripta el contenido de ClassItem. El formato esperado es |
uid |
Solo salida. Es el identificador único asignado por el sistema para CustomClass. Este campo no se usa. |
display_name |
Solo salida. Nombre legible para humanos y que puede establecer el usuario para CustomClass. Debe tener 63 caracteres como máximo. Este campo no se usa. |
state |
Solo salida. Es el estado del ciclo de vida de CustomClass. Este campo no se usa. |
delete_time |
Solo salida. Es la fecha y hora en la que se solicitó la eliminación de este recurso. Este campo no se usa. |
expire_time |
Solo salida. Es la fecha y hora en la que se borrará este recurso. Este campo no se usa. |
annotations |
Solo salida. Permite a los usuarios almacenar pequeñas cantidades de datos arbitrarios. Tanto la clave como el valor deben tener un máximo de 63 caracteres cada uno. Se pueden agregar hasta 100 anotaciones. Este campo no se usa. |
etag |
Solo salida. El servidor calcula esta suma de comprobación en función del valor de otros campos. Es posible que se envíe en las solicitudes de actualización, recuperación y eliminación para garantizar que el cliente tenga un valor actualizado antes de continuar. Este campo no se usa. |
reconciling |
Solo salida. Indica si este CustomClass está en proceso de actualización. Este campo no se usa. |
ClassItem
Es un elemento de la clase.
| Campos | |
|---|---|
value |
Es el valor del elemento de clase. |
Estado
Es el conjunto de estados que definen el ciclo de vida de un CustomClass.
| Enums | |
|---|---|
STATE_UNSPECIFIED |
Estado sin especificar. Solo se usa o es útil para distinguir los valores no establecidos. |
ACTIVE |
Es el estado normal y activo. |
DELETED |
Se borró este CustomClass. |
DeleteCustomClassRequest
Es el mensaje que envía el cliente para el método DeleteCustomClass.
| Campos | |
|---|---|
name |
Obligatorio. Nombre de la clase personalizada que se borrará. Formato:
Speech-to-Text admite tres ubicaciones: La autorización requiere el siguiente permiso IAM en el recurso especificado
|
DeletePhraseSetRequest
Es el mensaje que envía el cliente para el método DeletePhraseSet.
| Campos | |
|---|---|
name |
Obligatorio. Es el nombre del conjunto de frases que se borrará. Formato:
La autorización requiere el siguiente permiso IAM en el recurso especificado
|
GetCustomClassRequest
Es el mensaje que envía el cliente para el método GetCustomClass.
| Campos | |
|---|---|
name |
Obligatorio. Es el nombre de la clase personalizada que se recuperará. Formato:
La autorización requiere el siguiente permiso IAM en el recurso especificado
|
GetPhraseSetRequest
Es el mensaje que envía el cliente para el método GetPhraseSet.
| Campos | |
|---|---|
name |
Obligatorio. Es el nombre del conjunto de frases que se recuperará. Formato:
Speech-to-Text admite tres ubicaciones: La autorización requiere el siguiente permiso IAM en el recurso especificado
|
ListCustomClassesRequest
Es el mensaje que envía el cliente para el método ListCustomClasses.
| Campos | |
|---|---|
parent |
Obligatorio. Es el elemento superior, que es propietario de esta colección de clases personalizadas. Formato:
Speech-to-Text admite tres ubicaciones: La autorización requiere el siguiente permiso IAM en el recurso especificado
|
page_size |
Es la cantidad máxima de clases personalizadas que se devolverán. El servicio puede mostrar menos que este valor. Si no se especifica, se devolverán, como máximo, 50 clases personalizadas. El valor máximo es 1,000; valores superiores a 1,000 se convertirán en 1,000. |
page_token |
Un token de página, recibido desde una llamada Cuando se pagina, todos los demás parámetros proporcionados a |
ListCustomClassesResponse
Es el mensaje que el método ListCustomClasses devuelve al cliente.
| Campos | |
|---|---|
custom_classes[] |
Son las clases personalizadas. |
next_page_token |
Un token, que se puede enviar como |
ListPhraseSetRequest
Es el mensaje que envía el cliente para el método ListPhraseSet.
| Campos | |
|---|---|
parent |
Obligatorio. Es el elemento superior, que es propietario de esta colección de conjuntos de frases. Formato:
Speech-to-Text admite tres ubicaciones: La autorización requiere el siguiente permiso IAM en el recurso especificado
|
page_size |
Es la cantidad máxima de conjuntos de frases que se devolverán. El servicio puede mostrar menos que este valor. Si no se especifica, se devolverán, como máximo, 50 conjuntos de frases. El valor máximo es 1,000; valores superiores a 1,000 se convertirán en 1,000. |
page_token |
Un token de página, recibido desde una llamada Cuando se pagina, todos los demás parámetros proporcionados a |
ListPhraseSetResponse
Es el mensaje que el método ListPhraseSet devuelve al cliente.
| Campos | |
|---|---|
phrase_sets[] |
Es el conjunto de frases. |
next_page_token |
Un token, que se puede enviar como |
LongRunningRecognizeMetadata
Describe el progreso de una llamada LongRunningRecognize de larga duración. Se incluye en el campo metadata del objeto Operation que muestra la llamada GetOperation del servicio google::longrunning::Operations.
| Campos | |
|---|---|
progress_percent |
Es el porcentaje aproximado del audio procesado hasta el momento. Se garantiza que será 100 cuando el audio se procese por completo y los resultados estén disponibles. |
start_time |
Fecha y hora en que se recibió la solicitud. |
last_update_time |
Es la fecha y hora de la actualización de procesamiento más reciente. |
uri |
Solo salida. Es el URI del archivo de audio que se transcribe. Este campo estará vacío si el audio se envió como contenido de bytes. |
output_config |
Solo salida. Es una copia de TranscriptOutputConfig si se configuró en la solicitud. |
LongRunningRecognizeRequest
Es el mensaje de nivel superior que envía el cliente para el método LongRunningRecognize.
| Campos | |
|---|---|
config |
Obligatorio. Proporciona información al reconocedor que especifica cómo procesar la solicitud. |
audio |
Obligatorio. Los datos de audio que se reconocerán. |
output_config |
Opcional. Especifica un destino opcional para los resultados del reconocimiento. |
LongRunningRecognizeResponse
Es el único mensaje que el método LongRunningRecognize devuelve al cliente. Contiene el resultado como cero o más mensajes SpeechRecognitionResult secuenciales. Se incluye en el campo result.response del objeto Operation que muestra la llamada GetOperation del servicio google::longrunning::Operations.
| Campos | |
|---|---|
results[] |
Es una lista secuencial de los resultados de transcripción que corresponden a partes secuenciales de audio. |
total_billed_time |
Cuando están disponibles, se muestran los segundos de audio facturados para la solicitud correspondiente. |
output_config |
Es la configuración de salida original si está presente en la solicitud. |
output_error |
Si falla la salida de la transcripción, este campo contiene el error pertinente. |
speech_adaptation_info |
Proporciona información sobre el comportamiento de la adaptación de voz en la respuesta |
request_id |
Es el ID asociado a la solicitud. Es un ID único específico solo para la solicitud determinada. |
PhraseSet
Proporciona "pistas" al reconocedor de voz para favorecer palabras y frases específicas en los resultados.
| Campos | |
|---|---|
name |
Es el nombre del recurso del conjunto de frases. |
phrases[] |
Es una lista de palabras y frases. |
boost |
Sugerencias potenciadas Un valor positivo aumentará la probabilidad de que se reconozca una frase específica por sobre otras frases de sonido similar. Cuanto mayor sea el refuerzo, mayor será la probabilidad de que se produzca un falso positivo. Los valores de refuerzo negativos corresponderían a la eliminación del sesgo. No se habilitó la reducción del sesgo, por lo que simplemente se ignorará el refuerzo negativo. Si bien |
kms_key_name |
Solo salida. Es el nombre de la clave de KMS con la que se encripta el contenido de PhraseSet. El formato esperado es |
kms_key_version_name |
Solo salida. Es el nombre de la versión de clave de KMS con el que se encripta el contenido de PhraseSet. El formato esperado es |
uid |
Solo salida. Es el identificador único asignado por el sistema para el PhraseSet. Este campo no se usa. |
display_name |
Solo salida. Es el nombre legible para el usuario del PhraseSet. Debe tener 63 caracteres como máximo. Este campo no se usa. |
state |
Solo salida. Es el estado del ciclo de vida de CustomClass. Este campo no se usa. |
delete_time |
Solo salida. Es la fecha y hora en la que se solicitó la eliminación de este recurso. Este campo no se usa. |
expire_time |
Solo salida. Es la fecha y hora en la que se borrará este recurso. Este campo no se usa. |
annotations |
Solo salida. Permite a los usuarios almacenar pequeñas cantidades de datos arbitrarios. Tanto la clave como el valor deben tener un máximo de 63 caracteres cada uno. Se pueden agregar hasta 100 anotaciones. Este campo no se usa. |
etag |
Solo salida. El servidor calcula esta suma de comprobación en función del valor de otros campos. Es posible que se envíe en las solicitudes de actualización, recuperación y eliminación para garantizar que el cliente tenga un valor actualizado antes de continuar. Este campo no se usa. |
reconciling |
Solo salida. Indica si este PhraseSet está en proceso de actualización. Este campo no se usa. |
Frase
Son frases que contienen palabras y frases “sugerencias” para que el reconocimiento de voz las reconozca. Esto se puede usar para mejorar la precisión de palabras y frases específicas, por ejemplo, si el usuario suele decir comandos específicos. También se puede usar para agregar palabras adicionales al vocabulario del reconocedor. Consulta los límites de uso.
Los elementos de la lista también pueden incluir clases personalizadas o prediseñadas que contengan grupos de palabras que representen conceptos comunes que ocurren en el lenguaje natural. Por ejemplo, en lugar de proporcionar una sugerencia de frase para cada mes del año (p. ej., "Nací en enero", "Nací en febrero", etcétera), usar la clase $MONTH prediseñada mejora la probabilidad de transcribir correctamente el audio que incluye meses (p. ej., "Nací en $month"). Para hacer referencia a clases compiladas previamente, usa el símbolo de la clase con el prefijo $, p.ej., $MONTH. Para hacer referencia a clases personalizadas que se definieron de forma intercalada en la solicitud, establece el custom_class_id de la clase en una cadena única para todos los recursos de clase y las clases intercaladas. Luego, usa el ID de la clase incluido en ${...}, p.ej., "${my-months}". Para hacer referencia a los recursos de clases personalizadas, usa el ID de la clase incluido en ${} (p.ej., ${my-months}).
Speech-to-Text admite tres ubicaciones: global, us (Norteamérica, EE.UU.) y eu (Europa). Si llamas al extremo speech.googleapis.com, usa la ubicación global. Para especificar una región, usa un extremo regional con un valor de ubicación us o eu coincidente.
| Campos | |
|---|---|
value |
La frase en sí. |
boost |
Sugerencias potenciadas Anula la mejora establecida a nivel del conjunto de frases. Un valor positivo aumentará la probabilidad de que se reconozca una frase específica por sobre otras frases de sonido similar. Cuanto mayor sea el refuerzo, mayor será la probabilidad de que se produzca un falso positivo. Simplemente se ignorará el boosting negativo. Si bien |
Estado
Es el conjunto de estados que definen el ciclo de vida de un CustomClass.
| Enums | |
|---|---|
STATE_UNSPECIFIED |
Estado sin especificar. Solo se usa o es útil para distinguir los valores no establecidos. |
ACTIVE |
Es el estado normal y activo. |
DELETED |
Se borró este CustomClass. |
RecognitionAudio
Contiene datos de audio en la codificación especificada en RecognitionConfig. Se debe proporcionar content o uri. Si se proporcionan ambos o ninguno, se mostrará google.rpc.Code.INVALID_ARGUMENT. Consulta los límites de contenido.
| Campos | |
|---|---|
Campo de unión audio_source. Es la fuente de audio, que es contenido intercalado o un URI de Google Cloud Storage. audio_source puede ser solo uno de los siguientes: |
|
content |
Son los bytes de datos de audio codificados como se especifica en |
uri |
URI que apunta a un archivo que contiene bytes de datos de audio como se especifica en |
RecognitionConfig
Proporciona información al reconocedor que especifica cómo procesar la solicitud.
| Campos | |||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
encoding |
Codifica datos de audio enviados en todos los mensajes de |
||||||||||||||||||
sample_rate_hertz |
Tasa de muestreo en hercios de los datos de audio que se enviaron en todos los mensajes |
||||||||||||||||||
audio_channel_count |
La cantidad de canales en los datos de audio de entrada. SOLO configura esta opción para el reconocimiento MULTICANAL. Los valores válidos para LINEAR16, OGG_OPUS y FLAC son |
||||||||||||||||||
enable_separate_recognition_per_channel |
Debe establecerse en |
||||||||||||||||||
language_code |
Obligatorio. El idioma del audio proporcionado como una etiqueta de idioma BCP-47. Ejemplo: “en_US”. Consulta Idiomas admitidos para obtener una lista de los códigos de idioma que se admiten por el momento. |
||||||||||||||||||
alternative_language_codes[] |
Es una lista de hasta 3 etiquetas de idioma BCP-47 adicionales que indican los posibles idiomas alternativos del audio proporcionado. Consulta Idiomas admitidos para obtener una lista de los códigos de idioma que se admiten por el momento. Si se indican idiomas alternativos, el resultado del reconocimiento contendrá el reconocimiento en el idioma más probable detectado, incluido el idioma_code principal. El resultado del reconocimiento incluirá la etiqueta de idioma del idioma detectado en el audio. Nota: Esta función solo es compatible con los casos de uso de Comandos por voz y Búsqueda por voz, y el rendimiento puede variar en otros casos de uso (p.ej., la transcripción de llamadas telefónicas). |
||||||||||||||||||
max_alternatives |
Es la cantidad máxima de hipótesis de reconocimiento que se devolverán. Específicamente, la cantidad máxima de mensajes |
||||||||||||||||||
profanity_filter |
Si se establece en |
||||||||||||||||||
adaptation |
La configuración de adaptación de voz mejora la precisión del reconocimiento de voz. Para obtener más información, consulta la documentación sobre la adaptación de voz. Cuando se establece la adaptación de voz, esta reemplaza el campo |
||||||||||||||||||
transcript_normalization |
Opcional. Usa la normalización de transcripciones para reemplazar automáticamente partes de la transcripción por las frases que elijas. En el caso de StreamingRecognize, esta normalización solo se aplica a las transcripciones parciales estables (estabilidad > 0.8) y a las transcripciones finales. |
||||||||||||||||||
speech_contexts[] |
Es un array de |
||||||||||||||||||
enable_word_time_offsets |
Si es |
||||||||||||||||||
enable_word_confidence |
Si es |
||||||||||||||||||
enable_automatic_punctuation |
Si se establece como "verdadero", agrega puntuación a las hipótesis de los resultados de reconocimiento. Esta función solo está disponible en algunos idiomas. Establecer este parámetro para solicitudes en otros idiomas no tiene ningún efecto. El valor predeterminado "false" no agrega puntuación a las hipótesis de los resultados. |
||||||||||||||||||
enable_spoken_punctuation |
Es el comportamiento de puntuación por voz para la llamada. Si no se configura, se usa el comportamiento predeterminado según el modelo elegido (p. ej., command_and_search habilitará la puntuación por voz de forma predeterminada). Si se establece como "verdadero", reemplaza la puntuación por voz por los símbolos correspondientes en la solicitud. Por ejemplo, "cómo estás signo de interrogación" se convierte en "¿Cómo estás?". Consulta https://cloud.google.com/speech-to-text/docs/spoken-punctuation para obtener asistencia. Si es "false", no se reemplaza la puntuación hablada. |
||||||||||||||||||
enable_spoken_emojis |
Es el comportamiento de los emojis por voz para la llamada. Si no se configura, se usa el comportamiento predeterminado según el modelo elegido. Si se establece en "verdadero", se agrega el formato de emojis por voz en la solicitud. De este modo, se reemplazarán los emojis por voz por los símbolos Unicode correspondientes en la transcripción final. Si es "false", no se reemplazan los emojis hablados. |
||||||||||||||||||
enable_speaker_diarization |
Si es "true", habilita la detección de interlocutor para cada palabra reconocida en la alternativa principal del resultado de reconocimiento con una speaker_label proporcionada en WordInfo. Nota: Usa diarization_config en su lugar. |
||||||||||||||||||
diarization_speaker_count |
Si se configura, especifica la cantidad estimada de oradores en la conversación. El valor predeterminado es "2". Se ignora, a menos que enable_speaker_diarization esté configurado como verdadero. Nota: Usa diarization_config en su lugar. |
||||||||||||||||||
diarization_config |
Configuración para habilitar la identificación de interlocutores y establecer parámetros adicionales con el objetivo de que la identificación se adapte mejor a tu aplicación. Nota: Cuando esta opción está habilitada, enviamos todas las palabras desde el comienzo del audio para la alternativa principal en cada respuesta de STREAMING consecutiva. Esto se hace para mejorar nuestras etiquetas de orador a medida que nuestros modelos aprenden a identificar a los oradores en la conversación con el tiempo. En el caso de las solicitudes que no son de transmisión, los resultados de la diarización solo se proporcionarán en la alternativa superior del SpeechRecognitionResult FINAL. |
||||||||||||||||||
metadata |
Son los metadatos relacionados con esta solicitud. |
||||||||||||||||||
model |
Qué modelo debes seleccionar para la solicitud determinada Selecciona el modelo que mejor se adapte a tu dominio para obtener mejores resultados. Si no se especifica un modelo de forma explícita, seleccionamos de forma automática un modelo basado en los parámetros de RecognitionConfig.
|
||||||||||||||||||
use_enhanced |
Se establece en verdadero para usar un modelo mejorado para el reconocimiento de voz. Si Si |
||||||||||||||||||
AudioEncoding
La codificación de los datos de audio que se envía en la solicitud.
Todas las codificaciones admiten solo audio de 1 canal (mono), a menos que se configuren los campos audio_channel_count y enable_separate_recognition_per_channel.
Para obtener mejores resultados, la fuente de audio debe capturarse y transmitirse con una codificación sin pérdida (FLAC o LINEAR16). La precisión del reconocimiento de voz se puede reducir si se usan códecs con pérdida para capturar o transmitir audio, especialmente si hay ruido de fondo. Los códecs con pérdida incluyen MULAW, AMR, AMR_WB, OGG_OPUS, SPEEX_WITH_HEADER_BYTE, MP3 y WEBM_OPUS.
Los formatos de archivo de audio FLAC y WAV incluyen un encabezado que describe el contenido de audio incluido. Puedes solicitar el reconocimiento de archivos WAV que contengan audio codificado en LINEAR16 o MULAW. Si envías el formato de archivo de audio FLAC o WAV en tu solicitud, no necesitas especificar un AudioEncoding; el formato de codificación de audio se determina a partir del encabezado del archivo. Si especificas un AudioEncoding cuando envías audio FLAC o WAV, la configuración de codificación debe coincidir con la codificación que se describe en el encabezado de audio. de lo contrario, la solicitud muestra un código de error google.rpc.Code.INVALID_ARGUMENT.
| Enums | |
|---|---|
ENCODING_UNSPECIFIED |
No especificado. |
LINEAR16 |
Son las muestras de little-endian de 16 bits firmadas y sin comprimir (PCM lineal). |
FLAC |
FLAC (códec de audio gratuito sin pérdida) es la codificación recomendada debido a que no tiene pérdida, por lo que el reconocimiento no se ve comprometido, y requiere solo la mitad del ancho de banda de LINEAR16. La codificación de transmisión FLAC admite muestras de 16 y 24 bits. Sin embargo, no todos los campos en STREAMINFO son compatibles. |
MULAW |
Las muestras de 8 bits que comprimen las muestras de audio de 14 bits mediante la ley PCMU/mu-law de G.711. |
AMR |
El códec adaptable de banda estrecha de varias tasas. sample_rate_hertz debe ser 8,000. |
AMR_WB |
El códec adaptable de banda ancha de varias tasas. sample_rate_hertz debe ser 16,000. |
OGG_OPUS |
Los marcos de audio codificados en Opus en un contenedor Ogg (OggOpus). sample_rate_hertz debe ser de 8,000, 12,000, 16,000, 24,000 o 48,000. |
SPEEX_WITH_HEADER_BYTE |
Aunque no se recomienda el uso de codificaciones con pérdidas, se prefiere OGG_OPUS por sobre la codificación Speex si se requiere una codificación de tasa de bits muy baja. La codificación Speex compatible con la API de Cloud Speech tiene un byte de encabezado en cada bloque, como en el tipo de MIME audio/x-speex-with-header-byte. Es una variante de la codificación Speex RTP definida en RFC 5574. La transmisión es una secuencia de bloques, un bloque por paquete RTP. Cada bloque comienza con un byte que contiene la longitud del bloque, en bytes, seguido de uno o más marcos de datos Speex, que se rellenan con un número entero de bytes (octetos) como se especifica en RFC 5574. En otras palabras, cada encabezado RTP se reemplaza por un solo byte que contiene la longitud del bloque. Solo se admite banda ancha de Speex. sample_rate_hertz debe ser 16,000. |
MP3 |
Audio en MP3 La codificación MP3 es una función beta y solo está disponible en v1p1beta1. Admite todas las tasas de bits de MP3 estándar (que van desde 32 hasta 320 kbps). Cuando se usa esta codificación, sample_rate_hertz debe coincidir con la tasa de muestreo del archivo que se usa. |
WEBM_OPUS |
Marcos de audio codificados en Opus en un contenedor WebM (WebM). sample_rate_hertz debe ser de 8,000, 12,000, 16,000, 24,000 o 48,000. |
ALAW |
Las muestras de 8 bits que comprimen las muestras de audio de 13 bits con la ley PCMU/a-law de G.711. |
RecognitionMetadata
Es la descripción de los datos de audio que se reconocerán.
| Campos | |
|---|---|
interaction_type |
Es el caso de uso que describe con mayor precisión el contenido de audio que se reconocerá. |
industry_naics_code_of_audio |
Es la vertical de la industria a la que más se aplica esta solicitud de reconocimiento de voz. Esto es lo que mejor indica los temas que se incluyen en el audio. Usa el código NAICS de 6 dígitos para identificar el sector vertical de la industria. Consulta https://www.naics.com/search/. |
microphone_distance |
Es el tipo de audio que describe con mayor precisión el audio que se reconoce. |
original_media_type |
Es el medio original en el que se grabó el discurso. |
recording_device_type |
Es el tipo de dispositivo con el que se grabó el discurso. |
recording_device_name |
Dispositivo usado para hacer la grabación. Por ejemplo, "Nexus 5X", "Polycom SoundStation IP 6000", "POTS", "VoIP" o "Micrófono cardioide". |
original_mime_type |
Tipo MIME del archivo de audio original. Por ejemplo, |
obfuscated_id |
ID ofuscado (con protección de la privacidad) del usuario, para identificar el número de usuarios únicos que usan el servicio. |
audio_topic |
Es la descripción del contenido. P. ej., "Grabaciones de las audiencias de la Corte Suprema Federal de 2012". |
InteractionType
Son las categorías de casos de uso con las que se puede describir la solicitud de reconocimiento de audio.
| Enums | |
|---|---|
INTERACTION_TYPE_UNSPECIFIED |
El caso de uso es desconocido o es algo distinto de uno de los otros valores que se indican a continuación. |
DISCUSSION |
Varias personas en una conversación o debate Por ejemplo, en una reunión con dos o más personas que participan de forma activa. Por lo general, todas las personas que hablan principalmente estarían en la misma habitación (si no es así, consulta PHONE_CALL). |
PRESENTATION |
Una o más personas dando una conferencia o una presentación a otras, casi sin interrupciones. |
PHONE_CALL |
Llamada telefónica o videoconferencia en la que participan activamente dos o más personas que no están en la misma habitación |
VOICEMAIL |
Mensaje grabado para que lo escuche otra persona. |
PROFESSIONALLY_PRODUCED |
Audio producido de forma profesional (p. ej., Programa de TV, podcast). |
VOICE_SEARCH |
Transcribir preguntas y consultas habladas en texto |
VOICE_COMMAND |
Transcribir comandos por voz, por ejemplo, para controlar un dispositivo |
DICTATION |
Transcribir voz a texto para crear un documento escrito, como un mensaje de texto, un correo electrónico o un informe |
MicrophoneDistance
Enumera los tipos de parámetros de configuración de captura que describen un archivo de audio.
| Enums | |
|---|---|
MICROPHONE_DISTANCE_UNSPECIFIED |
No se conoce el tipo de audio. |
NEARFIELD |
El audio se capturó con un micrófono colocado cerca. Por ejemplo, un teléfono, un dictáfono o un micrófono de mano. Por lo general, si la bocina está a 1 metro del micrófono. |
MIDFIELD |
El interlocutor si está a menos de 3 metros del micrófono |
FARFIELD |
El altavoz está a más de 3 metros del micrófono. |
OriginalMediaType
Es el medio original en el que se grabó el discurso.
| Enums | |
|---|---|
ORIGINAL_MEDIA_TYPE_UNSPECIFIED |
Tipo de contenido multimedia original desconocido. |
AUDIO |
Los datos de voz son una grabación de audio. |
VIDEO |
Son los datos de voz que se grabaron originalmente en un video. |
RecordingDeviceType
Es el tipo de dispositivo con el que se grabó el discurso.
| Enums | |
|---|---|
RECORDING_DEVICE_TYPE_UNSPECIFIED |
Se desconoce el dispositivo de grabación. |
SMARTPHONE |
El discurso se grabó en un smartphone. |
PC |
El discurso se grabó con una computadora personal o una tablet. |
PHONE_LINE |
El discurso se grabó a través de una línea telefónica. |
VEHICLE |
Se grabó voz en un vehículo. |
OTHER_OUTDOOR_DEVICE |
La voz se grabó al aire libre. |
OTHER_INDOOR_DEVICE |
La voz se grabó en interiores. |
RecognizeRequest
Es el mensaje de nivel superior que envía el cliente para el método Recognize.
| Campos | |
|---|---|
config |
Obligatorio. Proporciona información al reconocedor que especifica cómo procesar la solicitud. |
audio |
Obligatorio. Los datos de audio que se reconocerán. |
RecognizeResponse
Es el único mensaje que el método Recognize devuelve al cliente. Contiene el resultado como cero o más mensajes SpeechRecognitionResult secuenciales.
| Campos | |
|---|---|
results[] |
Es una lista secuencial de los resultados de transcripción que corresponden a partes secuenciales de audio. |
total_billed_time |
Cuando están disponibles, se muestran los segundos de audio facturados para la solicitud correspondiente. |
speech_adaptation_info |
Proporciona información sobre el comportamiento de adaptación en la respuesta |
request_id |
Es el ID asociado a la solicitud. Es un ID único específico solo para la solicitud determinada. |
using_legacy_models |
Indica si la solicitud usó modelos de RAA heredados (no se migró automáticamente para usar modelos de Conformer). |
SpeakerDiarizationConfig
Es la configuración para habilitar la identificación de interlocutores.
| Campos | |
|---|---|
enable_speaker_diarization |
Si es "true", habilita la detección de interlocutor para cada palabra reconocida en la alternativa principal del resultado de reconocimiento con una speaker_label proporcionada en WordInfo. |
min_speaker_count |
Cantidad mínima de oradores en la conversación. Este rango te brinda más flexibilidad, ya que permite que el sistema determine automáticamente la cantidad correcta de oradores. Si no se establece, el valor predeterminado es 2. |
max_speaker_count |
Cantidad máxima de oradores en la conversación. Este rango te brinda más flexibilidad, ya que permite que el sistema determine automáticamente la cantidad correcta de oradores. Si no se establece, el valor predeterminado es 6. |
speaker_tag |
Solo salida. No usuado. |
SpeechAdaptation
Es la configuración de la adaptación de voz.
| Campos | |
|---|---|
phrase_sets[] |
Es una colección de conjuntos de frases. Para especificar las sugerencias intercaladas, deja en blanco el campo |
phrase_set_references[] |
Es una colección de nombres de recursos de conjuntos de frases para usar. |
custom_classes[] |
Es una colección de clases personalizadas. Para especificar las clases intercaladas, deja en blanco el |
abnf_grammar |
La forma Backus-Naur aumentada (ABNF) es una notación de gramática estandarizada que se compone de un conjunto de reglas de derivación. Consulta las especificaciones en https://www.w3.org/TR/speech-grammar. |
ABNFGrammar
| Campos | |
|---|---|
abnf_strings[] |
Todas las declaraciones y reglas de una gramática ABNF divididas en varias cadenas que terminarán concatenadas. |
SpeechAdaptationInfo
Información sobre el uso de la adaptación de voz en los resultados
| Campos | |
|---|---|
adaptation_timeout |
Indica si se agotó el tiempo de espera al aplicar la adaptación de voz. Si es verdadero, la adaptación no tuvo efecto en la transcripción de la respuesta. |
timeout_message |
Si se configura, devuelve un mensaje que especifica qué parte de la solicitud de adaptación del discurso agotó el tiempo de espera. |
SpeechContext
Proporciona "pistas" al reconocedor de voz para favorecer palabras y frases específicas en los resultados.
| Campos | |
|---|---|
phrases[] |
Una lista de strings que contienen palabras y frases “sugerencias” para que el reconocimiento de voz las reconozca. Esto se puede usar para mejorar la precisión de palabras y frases específicas, por ejemplo, si el usuario suele decir comandos específicos. También se puede usar para agregar palabras adicionales al vocabulario del reconocedor. Consulta los límites de uso. Los elementos de la lista también se pueden establecer en clases para grupos de palabras que representan conceptos comunes que ocurren en el lenguaje natural. Por ejemplo, en lugar de proporcionar sugerencias de frases para cada mes del año, usar la clase $MONTH mejora la probabilidad de transcribir correctamente el audio que incluye meses. |
boost |
Sugerencias potenciadas Un valor positivo aumentará la probabilidad de que se reconozca una frase específica por sobre otras frases de sonido similar. Cuanto mayor sea el refuerzo, mayor será la probabilidad de que se produzca un falso positivo. Los valores de refuerzo negativos corresponderían a la eliminación del sesgo. No se habilitó la reducción del sesgo, por lo que simplemente se ignorará el refuerzo negativo. Si bien |
SpeechRecognitionAlternative
Son las hipótesis alternativas (también conocidas como lista de n-mejores).
| Campos | |
|---|---|
transcript |
Texto de transcripción que representa las palabras que dijo el usuario. En los idiomas que usan espacios para separar palabras, es posible que la transcripción tenga un espacio inicial si no es el primer resultado. Puedes concatenar cada resultado para obtener la transcripción completa sin usar un separador. |
confidence |
La estimación de confianza entre 0.0 y 1.0. Un número más alto indica una mayor probabilidad estimada de que las palabras reconocidas sean correctas. Este campo solo se establece para la alternativa principal de un resultado que no es de transmisión o de un resultado de transmisión en el que |
words[] |
Una lista de información específica de cada palabra reconocida. Nota: Cuando |
SpeechRecognitionResult
Un resultado del reconocimiento de voz que corresponde a una parte del audio.
| Campos | |
|---|---|
alternatives[] |
Puede contener una o más hipótesis de reconocimiento (hasta el máximo especificado en |
channel_tag |
En el caso del audio multicanal, este es el número de canal correspondiente al resultado reconocido para el audio de ese canal. En el caso de que audio_channel_count = N, sus valores de salida pueden variar de “1” a “N”. |
result_end_time |
Es la compensación horaria del final de este resultado en relación con el comienzo del audio. |
language_code |
Solo salida. Es la etiqueta de idioma BCP-47 del idioma en este resultado. Se detectó que este código de idioma es el que tiene más probabilidades de hablarse en el audio. |
StreamingRecognitionConfig
Proporciona información al reconocedor que especifica cómo procesar la solicitud.
| Campos | |
|---|---|
config |
Obligatorio. Proporciona información al reconocedor que especifica cómo procesar la solicitud. |
single_utterance |
Si es Si es El campo
|
interim_results |
Si es |
enable_voice_activity_events |
Si es |
voice_activity_timeout |
Si se configura, el servidor cerrará automáticamente la transmisión después de que transcurra la duración especificada tras el envío del último evento de voz VOICE_ACTIVITY. El campo |
VoiceActivityTimeout
Son los eventos en los que se puede configurar un tiempo de espera para la actividad de voz.
| Campos | |
|---|---|
speech_start_timeout |
Es la duración del tiempo de espera de la transmisión si no comienza el habla. |
speech_end_timeout |
Es la duración del tiempo de espera de la transmisión después de que finaliza el habla. |
StreamingRecognitionResult
Es un resultado del reconocimiento de voz de transmisión que corresponde a una parte del audio que se procesa en el momento.
| Campos | |
|---|---|
alternatives[] |
Puede contener una o más hipótesis de reconocimiento (hasta el máximo especificado en |
is_final |
Si es |
stability |
Una estimación de la probabilidad de que el reconocedor no cambie su suposición sobre este resultado provisional. Los valores van de 0.0 (completamente inestable) a 1.0 (completamente estable). Este campo solo se proporciona para los resultados provisionales ( |
result_end_time |
Es la compensación horaria del final de este resultado en relación con el comienzo del audio. |
channel_tag |
En el caso del audio multicanal, este es el número de canal correspondiente al resultado reconocido para el audio de ese canal. En el caso de que audio_channel_count = N, sus valores de salida pueden variar de “1” a “N”. |
language_code |
Solo salida. Es la etiqueta de idioma BCP-47 del idioma en este resultado. Se detectó que este código de idioma es el que tiene más probabilidades de hablarse en el audio. |
StreamingRecognizeRequest
Es el mensaje de nivel superior que envía el cliente para el método StreamingRecognize. Se envían varios mensajes StreamingRecognizeRequest. El primer mensaje debe contener un mensaje streaming_config y no debe contener audio_content. Todos los mensajes posteriores deben contener audio_content y no deben contener un mensaje streaming_config.
| Campos | |
|---|---|
Campo de unión streaming_request. Es la solicitud de transmisión, que es contenido de audio o una configuración de transmisión. streaming_request puede ser solo uno de los siguientes: |
|
streaming_config |
Proporciona información al reconocedor que especifica cómo procesar la solicitud. El primer mensaje |
audio_content |
Los datos de audio que se reconocerán. Los fragmentos secuenciales de datos de audio se envían en mensajes |
StreamingRecognizeResponse
StreamingRecognizeResponse es el único mensaje que StreamingRecognize devuelve al cliente. Una serie de cero o más mensajes StreamingRecognizeResponse se transmiten al cliente. Si no hay audio reconocible y single_utterance está configurado como falso, no se transmitirá ningún mensaje al cliente.
Este es un ejemplo de una serie de StreamingRecognizeResponse que se pueden mostrar mientras se procesa el audio:
resultados { alternatives { transcript: "tube" } stability: 0.01 }
resultados { alternatives { transcript: "to be a" } stability: 0.01 }
resultados { alternatives { transcript: "to be" } stability: 0.9 } resultados { alternatives { transcript: " or not to be" } stability: 0.01 }
results { alternatives { transcript: "to be or not to be" confidence: 0.92 } alternatives { transcript: "to bee or not to bee" } is_final: true }
resultados { alternatives { transcript: " that's" } stability: 0.01 }
resultados {alternatives {transcript: “that is”} stability: 0.9} resultados {alternatives {transcript: “the question”} stability: 0.01}
results { alternatives { transcript: " that is the question" confidence: 0.98 } alternatives { transcript: " that was the question" } is_final: true }
Notas:
Solo dos de las respuestas anteriores (la núm. 4 y la núm. 7) contienen resultados finales, como lo indica
is_final: true. La concatenación de estas respuestas genera la transcripción completa: “ser o no ser esa es la cuestión”.Los demás contienen
resultsinterinos. El n.º 3 y el n.º 6 contienen dosresultsprovisionales: la primera parte tiene una alta estabilidad y es menos probable que cambie, la segunda parte tiene baja estabilidad y es muy probable que cambie. Un diseñador de IU podría optar por mostrar soloresultscon alta estabilidad.Los valores
stabilityyconfidenceespecíficos que se muestran arriba solo tienen fines ilustrativos. Los valores reales pueden variar.En cada respuesta, solo se establecerá uno de estos campos:
error,speech_event_typeo uno o más (repetidos)results.
| Campos | |
|---|---|
error |
Si se configura, muestra un mensaje |
results[] |
Esta lista repetida contiene cero o más resultados que corresponden a las partes consecutivas del audio que se procesa. Contiene cero o un resultado de |
speech_event_type |
Indica el tipo de evento de voz. |
speech_event_time |
Es la compensación horaria entre el comienzo del audio y la emisión del evento. |
total_billed_time |
Cuando están disponibles, son los segundos de audio facturados para la transmisión. Solo se configura si esta es la última respuesta del flujo. |
speech_adaptation_info |
Proporciona información sobre el comportamiento de adaptación en la respuesta |
request_id |
Es el ID asociado a la solicitud. Es un ID único específico solo para la solicitud determinada. |
SpeechEventType
Indica el tipo de evento de voz.
| Enums | |
|---|---|
SPEECH_EVENT_UNSPECIFIED |
Indica que no se especificó ningún evento de voz. |
END_OF_SINGLE_UTTERANCE |
Este evento indica que el servidor detectó el final del enunciado de voz del usuario y que no espera que siga hablando. Por lo tanto, el servidor no procesará audio adicional (aunque puede que muestre resultados adicionales de forma posterior). El cliente debe dejar de enviar datos de audio adicionales, cerrar de forma parcial la conexión de gRPC y esperar cualquier resultado adicional hasta que el servidor también la cierre. Este evento solo se envía si single_utterance se estableció en true y no se usa de otra manera. |
SPEECH_ACTIVITY_BEGIN |
Este evento indica que el servidor detectó el comienzo de la actividad de voz humana en la transmisión. Este evento se puede devolver varias veces si el habla comienza y se detiene repetidamente a lo largo de la transmisión. Este evento solo se envía si voice_activity_events se establece como verdadero. |
SPEECH_ACTIVITY_END |
Este evento indica que el servidor detectó el final de la actividad de voz humana en la transmisión. Este evento se puede devolver varias veces si el habla comienza y se detiene repetidamente a lo largo de la transmisión. Este evento solo se envía si voice_activity_events se establece como verdadero. |
SPEECH_ACTIVITY_TIMEOUT |
Este evento indica que se superó el tiempo de espera establecido por el usuario para el inicio o el final de la actividad de voz. Cuando recibe este evento, se espera que el cliente envíe un cierre parcial. No se procesará más audio. |
TranscriptNormalization
Es la configuración de normalización de la transcripción. Usa la normalización de transcripciones para reemplazar automáticamente partes de la transcripción por las frases que elijas. En el caso de StreamingRecognize, esta normalización solo se aplica a las transcripciones parciales estables (estabilidad > 0.8) y a las transcripciones finales.
| Campos | |
|---|---|
entries[] |
Es una lista de entradas de reemplazo. Realizaremos el reemplazo con una entrada a la vez. Por ejemplo, la segunda entrada en ["cat" => "dog", "mountain cat" => "mountain dog"] nunca se aplicará porque siempre procesaremos la primera entrada antes que esta. Se pueden ingresar hasta 100 entradas. |
Entrada
Es un objeto de configuración de reemplazo único.
| Campos | |
|---|---|
search |
Qué se reemplazará. La longitud máxima es de 100 caracteres. |
replace |
Es el valor con el que se reemplazará. La longitud máxima es de 100 caracteres. |
case_sensitive |
Indica si la búsqueda distingue mayúsculas de minúsculas. |
TranscriptOutputConfig
Especifica un destino opcional para los resultados del reconocimiento.
| Campos | |
|---|---|
Campo de unión
|
|
gcs_uri |
Especifica un URI de Cloud Storage para los resultados del reconocimiento. Debe especificarse con el formato |
UpdateCustomClassRequest
Es el mensaje que envía el cliente para el método UpdateCustomClass.
| Campos | |
|---|---|
custom_class |
Obligatorio. Es la clase personalizada que se actualizará. El campo
Speech-to-Text admite tres ubicaciones: La autorización requiere el siguiente permiso IAM en el recurso especificado
|
update_mask |
Es la lista de campos que se actualizarán. |
UpdatePhraseSetRequest
Es el mensaje que envía el cliente para el método UpdatePhraseSet.
| Campos | |
|---|---|
phrase_set |
Obligatorio. Es el conjunto de frases que se actualizará. El campo
Speech-to-Text admite tres ubicaciones: La autorización requiere el siguiente permiso IAM en el recurso especificado
|
update_mask |
Es la lista de campos que se actualizarán. |
WordInfo
Información específica de las palabras reconocidas.
| Campos | |
|---|---|
start_time |
Compensación horaria relacionada con el comienzo del audio y que corresponde al inicio de la palabra hablada. Este campo solo se establece si |
end_time |
Compensación horaria relacionada con el comienzo del audio y que corresponde al final de la palabra hablada. Este campo solo se establece si |
word |
La palabra correspondiente a este conjunto de información. |
confidence |
La estimación de confianza entre 0.0 y 1.0. Un número más alto indica una mayor probabilidad estimada de que las palabras reconocidas sean correctas. Este campo solo se establece para la alternativa principal de un resultado que no es de transmisión o de un resultado de transmisión en el que |
speaker_tag |
Solo salida. Se asigna un valor entero distinto para cada orador dentro del audio. Este campo especifica cuál de esos oradores se detectó que pronunció esta palabra. El valor varía de "1" a diarization_speaker_count. speaker_tag se establece si enable_speaker_diarization = "true" y solo para la alternativa principal. Nota: Usa speaker_label en su lugar. |
speaker_label |
Solo salida. Es un valor de etiqueta asignado a cada interlocutor único dentro del audio. Este campo especifica qué interlocutor se detectó que pronunció esta palabra. En algunos modelos, como medical_conversation, puede ser el rol real del orador, por ejemplo, "paciente" o "proveedor", pero, en general, sería un número que identifica a un orador. Este campo solo se establece si enable_speaker_diarization = "true" y solo para la alternativa principal. |