Package google.cloud.speech.v1p1beta1

Indice

Adattamento

Servizio che implementa l'API Google Cloud Speech Adaptation.

CreateCustomClass

rpc CreateCustomClass(CreateCustomClassRequest) returns (CustomClass)

Crea una classe personalizzata.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.
CreatePhraseSet

rpc CreatePhraseSet(CreatePhraseSetRequest) returns (PhraseSet)

Crea un insieme di suggerimenti per le frasi. Ogni elemento del set può essere una singola parola o una frase di più parole. Gli elementi nel PhraseSet sono preferiti dal modello di riconoscimento quando invii una chiamata che include il PhraseSet.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.
DeleteCustomClass

rpc DeleteCustomClass(DeleteCustomClassRequest) returns (Empty)

Eliminare una classe personalizzata.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.
DeletePhraseSet

rpc DeletePhraseSet(DeletePhraseSetRequest) returns (Empty)

Elimina un set di frasi.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.
GetCustomClass

rpc GetCustomClass(GetCustomClassRequest) returns (CustomClass)

Ricevere una classe personalizzata.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.
GetPhraseSet

rpc GetPhraseSet(GetPhraseSetRequest) returns (PhraseSet)

Ottieni un set di frasi.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.
ListCustomClasses

rpc ListCustomClasses(ListCustomClassesRequest) returns (ListCustomClassesResponse)

Elenca le classi personalizzate.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.
ListPhraseSet

rpc ListPhraseSet(ListPhraseSetRequest) returns (ListPhraseSetResponse)

Elenca i set di frasi.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.
UpdateCustomClass

rpc UpdateCustomClass(UpdateCustomClassRequest) returns (CustomClass)

Aggiorna una classe personalizzata.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.
UpdatePhraseSet

rpc UpdatePhraseSet(UpdatePhraseSetRequest) returns (PhraseSet)

Aggiornare un set di frasi.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.

Voce

Servizio che implementa l'API Google Cloud Speech.

LongRunningRecognize

rpc LongRunningRecognize(LongRunningRecognizeRequest) returns (Operation)

Esegue il riconoscimento vocale asincrono: ricevi i risultati tramite l'interfaccia google.longrunning.Operations. Restituisce un Operation.error o un Operation.response che contiene un messaggio LongRunningRecognizeResponse. Per saperne di più sul riconoscimento vocale asincrono, consulta la guida.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.
Riconoscimento

rpc Recognize(RecognizeRequest) returns (RecognizeResponse)

Esegue il riconoscimento vocale sincrono: ricevi i risultati dopo che tutto l'audio è stato inviato ed elaborato.

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.
StreamingRecognize

rpc StreamingRecognize(StreamingRecognizeRequest) returns (StreamingRecognizeResponse)

Esegue il riconoscimento vocale di audio in streaming bidirezionale: ricevi i risultati mentre invii l'audio. Questo metodo è disponibile solo tramite l'API gRPC (non REST).

Ambiti di autorizzazione

Richiede il seguente ambito OAuth:

  • https://www.googleapis.com/auth/cloud-platform

Per ulteriori informazioni, consulta Authentication Overview.

CreateCustomClassRequest

Messaggio inviato dal cliente per il metodo CreateCustomClass.

Campi
parent

string

Obbligatorio. La risorsa padre in cui verrà creata questa classe personalizzata. Formato:

projects/{project}/locations/{location}/customClasses

Speech-to-Text supporta tre località: global, us (Nord America) e eu (Europa). Se chiami l'endpoint speech.googleapis.com, utilizza la posizione global. Per specificare una regione, utilizza un endpoint regionale con un valore di località us o eu corrispondente.

L'autorizzazione richiede la seguente autorizzazione IAM per la risorsa specificata parent:

  • speech.customClasses.create
custom_class_id

string

Obbligatorio. L'ID da utilizzare per la classe personalizzata, che diventerà il componente finale del nome risorsa della classe personalizzata.

Questo valore deve essere limitato a lettere, numeri e trattini, con il primo carattere una lettera, l'ultimo una lettera o un numero e deve contenere da 4 a 63 caratteri.
custom_class

CustomClass

Obbligatorio. La classe personalizzata da creare.

CreatePhraseSetRequest

Messaggio inviato dal cliente per il metodo CreatePhraseSet.

Campi
parent

string

Obbligatorio. La risorsa principale in cui verrà creato questo insieme di frasi. Formato:

projects/{project}/locations/{location}

Speech-to-Text supporta tre località: global, us (Nord America) e eu (Europa). Se chiami l'endpoint speech.googleapis.com, utilizza la posizione global. Per specificare una regione, utilizza un endpoint regionale con un valore di località us o eu corrispondente.

L'autorizzazione richiede la seguente autorizzazione IAM per la risorsa specificata parent:

  • speech.phraseSets.create
phrase_set_id

string

Obbligatorio. L'ID da utilizzare per il set di frasi, che diventerà il componente finale del nome della risorsa del set di frasi.

Questo valore deve essere limitato a lettere, numeri e trattini, con il primo carattere una lettera, l'ultimo una lettera o un numero e deve contenere da 4 a 63 caratteri.
phrase_set

PhraseSet

Obbligatorio. Il set di frasi da creare.

CustomClass

Un insieme di parole o frasi che rappresentano un concetto comune che probabilmente apparirà nell'audio, ad esempio un elenco di nomi di navi passeggeri. Gli elementi CustomClass possono essere sostituiti nei segnaposto che imposti nelle frasi PhraseSet.

Campi
name

string

Il nome della risorsa della classe personalizzata.
custom_class_id

string

Se questa classe personalizzata è una risorsa, custom_class_id è l'ID risorsa di CustomClass. Sensibile alle maiuscole.
items[]

ClassItem

Una raccolta di elementi del corso.
kms_key_name

string

Solo output. Il nome della chiave KMS con cui viene criptato il contenuto di ClassItem. Il formato previsto è projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key}.
kms_key_version_name

string

Solo output. Il nome della versione della chiave KMS con cui viene criptato il contenuto di ClassItem. Il formato previsto è projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key}/cryptoKeyVersions/{crypto_key_version}.
uid

string

Solo output. Identificatore univoco assegnato dal sistema per CustomClass. Questo campo non viene utilizzato.
display_name

string

Solo output. Nome leggibile e impostabile dall'utente per CustomClass. Deve contenere al massimo 63 caratteri. Questo campo non viene utilizzato.
state

State

Solo output. Lo stato del ciclo di vita di CustomClass. Questo campo non viene utilizzato.
delete_time

Timestamp

Solo output. L'ora in cui è stata richiesta l'eliminazione di questa risorsa. Questo campo non viene utilizzato.
expire_time

Timestamp

Solo output. L'ora in cui verrà eliminata questa risorsa. Questo campo non viene utilizzato.
annotations

map<string, string>

Solo output. Consente agli utenti di memorizzare piccole quantità di dati arbitrari. Sia la chiave che il valore devono contenere al massimo 63 caratteri ciascuno. Al massimo 100 annotazioni. Questo campo non viene utilizzato.
etag

string

Solo output. Questo checksum viene calcolato dal server in base al valore di altri campi. Questo valore può essere inviato nelle richieste di aggiornamento, ripristino ed eliminazione per garantire che il client disponga di un valore aggiornato prima di procedere. Questo campo non viene utilizzato.
reconciling

bool

Solo output. Indica se questa CustomClass è in fase di aggiornamento. Questo campo non viene utilizzato.

ClassItem

Un elemento della classe.

Campi
value

string

Il valore dell'elemento della classe.

Stato

Insieme di stati che definiscono il ciclo di vita di una CustomClass.

Enum
STATE_UNSPECIFIED Stato non specificato. Questo valore viene utilizzato/è utile solo per distinguere i valori non impostati.
ACTIVE Lo stato normale e attivo.
DELETED Questa CustomClass è stata eliminata.

DeleteCustomClassRequest

Messaggio inviato dal cliente per il metodo DeleteCustomClass.

Campi
name

string

Obbligatorio. Il nome della classe personalizzata da eliminare. Formato:

projects/{project}/locations/{location}/customClasses/{custom_class}

Speech-to-Text supporta tre località: global, us (Nord America) e eu (Europa). Se chiami l'endpoint speech.googleapis.com, utilizza la posizione global. Per specificare una regione, utilizza un endpoint regionale con un valore di località us o eu corrispondente.

L'autorizzazione richiede la seguente autorizzazione IAM per la risorsa specificata name:

  • speech.customClasses.delete

DeletePhraseSetRequest

Messaggio inviato dal cliente per il metodo DeletePhraseSet.

Campi
name

string

Obbligatorio. Il nome del set di frasi da eliminare. Formato:

projects/{project}/locations/{location}/phraseSets/{phrase_set}

L'autorizzazione richiede la seguente autorizzazione IAM per la risorsa specificata name:

  • speech.phraseSets.delete

GetCustomClassRequest

Messaggio inviato dal cliente per il metodo GetCustomClass.

Campi
name

string

Obbligatorio. Il nome della classe personalizzata da recuperare. Formato:

projects/{project}/locations/{location}/customClasses/{custom_class}

L'autorizzazione richiede la seguente autorizzazione IAM per la risorsa specificata name:

  • speech.customClasses.get

GetPhraseSetRequest

Messaggio inviato dal cliente per il metodo GetPhraseSet.

Campi
name

string

Obbligatorio. Il nome del set di frasi da recuperare. Formato:

projects/{project}/locations/{location}/phraseSets/{phrase_set}

Speech-to-Text supporta tre località: global, us (Nord America) e eu (Europa). Se chiami l'endpoint speech.googleapis.com, utilizza la posizione global. Per specificare una regione, utilizza un endpoint regionale con un valore di località us o eu corrispondente.

L'autorizzazione richiede la seguente autorizzazione IAM per la risorsa specificata name:

  • speech.phraseSets.get

ListCustomClassesRequest

Messaggio inviato dal cliente per il metodo ListCustomClasses.

Campi
parent

string

Obbligatorio. L'elemento principale, proprietario di questa raccolta di classi personalizzate. Formato:

projects/{project}/locations/{location}/customClasses

Speech-to-Text supporta tre località: global, us (Nord America) e eu (Europa). Se chiami l'endpoint speech.googleapis.com, utilizza la posizione global. Per specificare una regione, utilizza un endpoint regionale con un valore di località us o eu corrispondente.

L'autorizzazione richiede la seguente autorizzazione IAM per la risorsa specificata parent:

  • speech.customClasses.list
page_size

int32

Il numero massimo di classi personalizzate da restituire. Il servizio potrebbe restituire un numero inferiore a questo valore. Se non specificato, verranno restituite al massimo 50 classi personalizzate. Il valore massimo è 1000; i valori superiori a 1000 verranno forzati a 1000.
page_token

string

Un token di pagina ricevuto da una precedente chiamata ListCustomClass. Forniscilo per recuperare la pagina successiva.

Durante la paginazione, tutti gli altri parametri forniti a ListCustomClass devono corrispondere alla chiamata che ha fornito il token di pagina.

ListCustomClassesResponse

Messaggio restituito al client con il metodo ListCustomClasses.

Campi
custom_classes[]

CustomClass

Le classi personalizzate.
next_page_token

string

Un token, che può essere inviato come page_token per recuperare la pagina successiva. Se questo campo viene omesso, non verranno visualizzate altre pagine.

ListPhraseSetRequest

Messaggio inviato dal cliente per il metodo ListPhraseSet.

Campi
parent

string

Obbligatorio. L'elemento principale, proprietario di questa raccolta di set di frasi. Formato:

projects/{project}/locations/{location}

Speech-to-Text supporta tre località: global, us (Nord America) e eu (Europa). Se chiami l'endpoint speech.googleapis.com, utilizza la posizione global. Per specificare una regione, utilizza un endpoint regionale con un valore di località us o eu corrispondente.

L'autorizzazione richiede la seguente autorizzazione IAM per la risorsa specificata parent:

  • speech.phraseSets.list
page_size

int32

Il numero massimo di insiemi di frasi da restituire. Il servizio potrebbe restituire un numero inferiore a questo valore. Se non specificato, verranno restituiti al massimo 50 insiemi di frasi. Il valore massimo è 1000; i valori superiori a 1000 verranno forzati a 1000.
page_token

string

Un token di pagina ricevuto da una precedente chiamata ListPhraseSet. Forniscilo per recuperare la pagina successiva.

Durante la paginazione, tutti gli altri parametri forniti a ListPhraseSet devono corrispondere alla chiamata che ha fornito il token di pagina.

ListPhraseSetResponse

Messaggio restituito al client con il metodo ListPhraseSet.

Campi
phrase_sets[]

PhraseSet

Il set di frasi.
next_page_token

string

Un token, che può essere inviato come page_token per recuperare la pagina successiva. Se questo campo viene omesso, non verranno visualizzate altre pagine.

LongRunningRecognizeMetadata

Descrive l'avanzamento di una chiamata LongRunningRecognize di lunga durata. È incluso nel campo metadata di Operation restituito dalla chiamata GetOperation del servizio google::longrunning::Operations.

Campi
progress_percent

int32

Percentuale approssimativa di audio elaborato finora. Garantito al 100% quando l'audio è completamente elaborato e i risultati sono disponibili.
start_time

Timestamp

L'ora in cui è stata ricevuta la richiesta.
last_update_time

Timestamp

Ora dell'ultimo aggiornamento dell'elaborazione.
uri

string

Solo output. L'URI del file audio in fase di trascrizione. Vuoto se l'audio è stato inviato come contenuto di byte.
output_config

TranscriptOutputConfig

Solo output. Una copia di TranscriptOutputConfig, se è stata impostata nella richiesta.

LongRunningRecognizeRequest

Il messaggio di primo livello inviato dal client per il metodo LongRunningRecognize.

Campi
config

RecognitionConfig

Obbligatorio. Fornisce informazioni al sistema di riconoscimento che specificano come elaborare la richiesta.
audio

RecognitionAudio

Obbligatorio. I dati audio da riconoscere.
output_config

TranscriptOutputConfig

Facoltativo. Specifica una destinazione facoltativa per i risultati del riconoscimento.

LongRunningRecognizeResponse

L'unico messaggio restituito al client dal metodo LongRunningRecognize. Contiene il risultato come zero o più messaggi SpeechRecognitionResult sequenziali. È incluso nel campo result.response di Operation restituito dalla chiamata GetOperation del servizio google::longrunning::Operations.

Campi
results[]

SpeechRecognitionResult

Elenco sequenziale dei risultati della trascrizione corrispondenti alle porzioni sequenziali dell'audio.
total_billed_time

Duration

Se disponibili, i secondi di audio fatturati per la richiesta corrispondente.
output_config

TranscriptOutputConfig

Configurazione dell'output originale, se presente nella richiesta.
output_error

Status

Se l'output della trascrizione non supera questo campo, contiene l'errore pertinente.
speech_adaptation_info

SpeechAdaptationInfo

Fornisce informazioni sul comportamento di adattamento del parlato nella risposta
request_id

int64

L'ID associato alla richiesta. Si tratta di un ID univoco specifico solo per la richiesta indicata.

PhraseSet

Fornisce al riconoscimento vocale "suggerimenti" che privilegiano parole e frasi specifiche nei risultati.

Campi
name

string

Il nome della risorsa del set di frasi.
phrases[]

Phrase

Un elenco di parole e frasi.
boost

float

Suggerimento potenziato. Un valore positivo aumenterà la probabilità che una frase specifica venga riconosciuta rispetto ad altre frasi dal suono simile. Più alto è l'incremento, maggiore è la probabilità di un falso positivo. I valori di boosting negativi corrispondono all'anti-bias. L'anti-bias non è attivato, quindi il boost negativo verrà semplicemente ignorato. Sebbene boost possa accettare un'ampia gamma di valori positivi, la maggior parte dei casi d'uso è meglio servita con valori compresi tra 0 (escluso) e 20. Ti consigliamo di utilizzare un approccio di ricerca binaria per trovare il valore ottimale per il tuo caso d'uso, nonché di aggiungere frasi con e senza boost alle tue richieste.
kms_key_name

string

Solo output. Il nome della chiave KMS con cui viene criptato il contenuto di PhraseSet. Il formato previsto è projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key}.
kms_key_version_name

string

Solo output. Il nome della versione della chiave KMS con cui viene criptato il contenuto di PhraseSet. Il formato previsto è projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key}/cryptoKeyVersions/{crypto_key_version}.
uid

string

Solo output. Identificatore univoco assegnato dal sistema per il PhraseSet. Questo campo non viene utilizzato.
display_name

string

Solo output. Nome leggibile e impostabile dall'utente per il PhraseSet. Deve contenere al massimo 63 caratteri. Questo campo non viene utilizzato.
state

State

Solo output. Lo stato del ciclo di vita di CustomClass. Questo campo non viene utilizzato.
delete_time

Timestamp

Solo output. L'ora in cui è stata richiesta l'eliminazione di questa risorsa. Questo campo non viene utilizzato.
expire_time

Timestamp

Solo output. L'ora in cui verrà eliminata questa risorsa. Questo campo non viene utilizzato.
annotations

map<string, string>

Solo output. Consente agli utenti di memorizzare piccole quantità di dati arbitrari. Sia la chiave che il valore devono contenere al massimo 63 caratteri ciascuno. Al massimo 100 annotazioni. Questo campo non viene utilizzato.
etag

string

Solo output. Questo checksum viene calcolato dal server in base al valore di altri campi. Questo valore può essere inviato nelle richieste di aggiornamento, ripristino ed eliminazione per garantire che il client disponga di un valore aggiornato prima di procedere. Questo campo non viene utilizzato.
reconciling

bool

Solo output. Indica se questo PhraseSet è in fase di aggiornamento. Questo campo non viene utilizzato.

Frase

Una frase contenente "suggerimenti" di parole e frasi, in modo che il riconoscimento vocale abbia più probabilità di riconoscerle. Può essere utilizzata per migliorare l'accuratezza di parole e frasi specifiche, ad esempio se l'utente pronuncia in genere comandi specifici. Può essere utilizzato anche per aggiungere altre parole al vocabolario del sistema di riconoscimento. Vedi i limiti di utilizzo.

Gli elementi dell'elenco possono includere anche classi predefinite o personalizzate contenenti gruppi di parole che rappresentano concetti comuni che si verificano nel linguaggio naturale. Ad esempio, anziché fornire un suggerimento di frase per ogni mese dell'anno (ad es. "i was born in january", "i was born in febuary"...), l'utilizzo della classe $MONTH predefinita aumenta la probabilità di trascrivere correttamente l'audio che include i mesi (ad es. "i was born in $month"). Per fare riferimento alle classi predefinite, utilizza il simbolo della classe preceduto da $, ad esempio $MONTH. Per fare riferimento alle classi personalizzate definite inline nella richiesta, imposta custom_class_id della classe su una stringa univoca per tutte le risorse della classe e le classi inline. Poi utilizza l'ID della classe racchiuso tra ${...}, ad es. "${my-months}". Per fare riferimento alle risorse delle classi personalizzate, utilizza l'ID della classe racchiuso tra ${} (ad es. ${my-months}).

Speech-to-Text supporta tre località: global, us (Nord America) e eu (Europa). Se chiami l'endpoint speech.googleapis.com, utilizza la posizione global. Per specificare una regione, utilizza un endpoint regionale con un valore di località us o eu corrispondente.

Campi
value

string

La frase stessa.
boost

float

Suggerimento potenziato. Sostituisce il boost impostato a livello di set di frasi. Un valore positivo aumenterà la probabilità che una frase specifica venga riconosciuta rispetto ad altre frasi dal suono simile. Più alto è l'incremento, maggiore è la probabilità di un falso positivo. Il boosting negativo verrà semplicemente ignorato. Sebbene boost possa accettare un'ampia gamma di valori positivi, la maggior parte dei casi d'uso è meglio servita con valori compresi tra 0 e 20. Ti consigliamo di utilizzare un approccio di ricerca binaria per trovare il valore ottimale per il tuo caso d'uso, nonché di aggiungere frasi con e senza boost alle tue richieste.

Stato

Insieme di stati che definiscono il ciclo di vita di una CustomClass.

Enum
STATE_UNSPECIFIED Stato non specificato. Questo valore viene utilizzato/è utile solo per distinguere i valori non impostati.
ACTIVE Lo stato normale e attivo.
DELETED Questa CustomClass è stata eliminata.

RecognitionAudio

Contiene dati audio nella codifica specificata in RecognitionConfig. È necessario fornire content o uri. Se fornisci entrambi o nessuno dei due valori, viene restituito google.rpc.Code.INVALID_ARGUMENT. Consulta i limiti dei contenuti.

Campi
Campo unione audio_source. L'origine audio, che è un contenuto incorporato o un URI Google Cloud Storage. audio_source può essere solo uno dei seguenti:
content

bytes

I byte di dati audio codificati come specificato in RecognitionConfig. Nota: come per tutti i campi di byte, i buffer di protocollo utilizzano una rappresentazione binaria pura, mentre le rappresentazioni JSON utilizzano base64.
uri

string

URI che rimanda a un file contenente i byte di dati audio specificati in RecognitionConfig. Il file non deve essere compresso (ad esempio, gzip). Al momento sono supportati solo gli URI Google Cloud Storage, che devono essere specificati nel seguente formato: gs://bucket_name/object_name (gli altri formati URI restituiscono google.rpc.Code.INVALID_ARGUMENT). Per saperne di più, consulta URI delle richieste.

RecognitionConfig

Fornisce informazioni al sistema di riconoscimento che specificano come elaborare la richiesta.

Campi
encoding

AudioEncoding

Codifica dei dati audio inviati in tutti i messaggi RecognitionAudio. Questo campo è facoltativo per i file audio FLAC e WAV e obbligatorio per tutti gli altri formati audio. Per maggiori dettagli, vedi AudioEncoding.
sample_rate_hertz

int32

Frequenza di campionamento in hertz dei dati audio inviati in tutti i messaggi RecognitionAudio. I valori validi sono: 8000-48000. 16000 è il valore ottimale. Per risultati ottimali, imposta la frequenza di campionamento della sorgente audio su 16000 Hz. Se non è possibile, utilizza la frequenza di campionamento nativa della sorgente audio (anziché il ricampionamento). Questo campo è facoltativo per i file audio FLAC e WAV, ma è obbligatorio per tutti gli altri formati audio. Per maggiori dettagli, vedi AudioEncoding.
audio_channel_count

int32

Il numero di canali nei dati audio di input. Imposta questo valore SOLO per il riconoscimento MULTICANALE. I valori validi per LINEAR16, OGG_OPUS e FLAC sono 1-8. Il valore valido per MULAW, AMR, AMR_WB e SPEEX_WITH_HEADER_BYTE è solo 1. Se 0 o viene omesso, il valore predefinito è un canale (mono). Nota: per impostazione predefinita, riconosciamo solo il primo canale. Per eseguire il riconoscimento indipendente su ogni canale, imposta enable_separate_recognition_per_channel su "true".
enable_separate_recognition_per_channel

bool

Questi valori devono essere impostati su true in modo esplicito e audio_channel_count > 1 per consentire il riconoscimento separato di ogni canale. Il risultato del riconoscimento conterrà un campo channel_tag per indicare a quale canale appartiene. Se non è così, riconosceremo solo il primo canale. La richiesta viene fatturata cumulativamente per tutti i canali riconosciuti: audio_channel_count moltiplicato per la durata dell'audio.
language_code

string

Obbligatorio. La lingua dell'audio fornito come tag lingua BCP-47. Esempio: "en-US". Consulta la sezione Supporto delle lingue per un elenco dei codici di lingua attualmente supportati.
alternative_language_codes[]

string

Un elenco di massimo tre tag di lingua BCP-47 aggiuntivi, che elencano le possibili lingue alternative dell'audio fornito. Consulta la sezione Supporto delle lingue per un elenco dei codici di lingua attualmente supportati. Se sono elencate lingue alternative, il risultato del riconoscimento conterrà il riconoscimento nella lingua più probabile rilevata, incluso il codice lingua principale. Il risultato del riconoscimento includerà il tag della lingua rilevata nell'audio. Nota: questa funzionalità è supportata solo per i casi d'uso dei comandi vocali e della ricerca vocale e le prestazioni potrebbero variare per altri casi d'uso (ad es. la trascrizione delle chiamate).
max_alternatives

int32

Il numero massimo di ipotesi di riconoscimento da restituire. Nello specifico, il numero massimo di messaggi SpeechRecognitionAlternative all'interno di ogni SpeechRecognitionResult. Il server potrebbe restituire meno di max_alternatives. I valori validi sono 0-30. Un valore di 0 o 1 restituirà un massimo di uno. Se omesso, verrà restituito un massimo di uno.
profanity_filter

bool

Se impostato su true, il server tenterà di filtrare le parolacce, sostituendo tutti i caratteri tranne il primo di ogni parola filtrata con degli asterischi, ad esempio "c****". Se impostato su false o omesso, le volgarità non verranno filtrate.
adaptation

SpeechAdaptation

La configurazione dell'adattamento vocale migliora l'accuratezza del riconoscimento vocale. Per saperne di più, consulta la documentazione sull'adattamento del parlato. Quando l'adattamento del parlato è impostato, sostituisce il campo speech_contexts.
transcript_normalization

TranscriptNormalization

Facoltativo. Utilizza la normalizzazione della trascrizione per sostituire automaticamente parti della trascrizione con frasi a tua scelta. Per StreamingRecognize, questa normalizzazione si applica solo alle trascrizioni parziali stabili (stabilità > 0,8) e alle trascrizioni finali.
speech_contexts[]

SpeechContext

Array di SpeechContext. Un modo per fornire un contesto che aiuti il riconoscimento vocale. Per ulteriori informazioni, vedi Adattamento del parlato.
enable_word_time_offsets

bool

Se true, il risultato principale include un elenco di parole e gli offset temporali di inizio e di fine (timestamp) per quelle parole. Se false, non vengono restituite informazioni sull'offset temporale a livello di parola. Il valore predefinito è false.
enable_word_confidence

bool

Se true, il risultato principale include un elenco di parole e la relativa affidabilità. Se false, non vengono restituite informazioni sulla confidenza a livello di parola. Il valore predefinito è false.
enable_automatic_punctuation

bool

Se "true", aggiunge la punteggiatura alle ipotesi di risultato del riconoscimento. Questa funzionalità è disponibile solo in alcune lingue. L'impostazione per le richieste in altre lingue non ha alcun effetto. Il valore predefinito "false" non aggiunge la punteggiatura alle ipotesi di risultato.
enable_spoken_punctuation

BoolValue

Il comportamento della punteggiatura vocale per la chiamata.Se non è impostato, utilizza il comportamento predefinito in base al modello scelto, ad esempio command_and_search attiverà la punteggiatura vocale per impostazione predefinita. Se "true", sostituisce la punteggiatura vocale con i simboli corrispondenti nella richiesta. Ad esempio, "come stai punto interrogativo" diventa "come stai?". Per assistenza, visita la pagina https://cloud.google.com/speech-to-text/docs/spoken-punctuation. Se il valore è "false", la punteggiatura vocale non viene sostituita.
enable_spoken_emojis

BoolValue

Il comportamento delle emoji vocali per la chiamata. Se non impostato, utilizza il comportamento predefinito in base al modello scelto. Se "true", aggiunge la formattazione delle emoji vocali per la richiesta. Le emoji vocali verranno sostituite dai corrispondenti simboli Unicode nella trascrizione finale. Se il valore è "false", le emoji vocali non vengono sostituite.
enable_speaker_diarization
(deprecated)

bool

Se "true", attiva il rilevamento dello speaker per ogni parola riconosciuta nell'alternativa migliore del risultato del riconoscimento utilizzando un'etichetta speaker fornita in WordInfo. Nota: utilizza diarization_config.
diarization_speaker_count
(deprecated)

int32

Se impostato, specifica il numero stimato di speaker nella conversazione. Il valore predefinito è "2". Viene ignorato a meno che enable_speaker_diarization non sia impostato su true. Nota: utilizza diarization_config.
diarization_config

SpeakerDiarizationConfig

Configurazione per abilitare la diarizzazione degli interlocutori e impostare parametri aggiuntivi per adattare meglio la diarizzazione alla tua applicazione. Nota: quando questa opzione è abilitata, inviamo tutte le parole dall'inizio dell'audio per l'alternativa migliore in ogni risposta STREAMING consecutiva. Questo viene fatto per migliorare i nostri tag degli oratori man mano che i nostri modelli imparano a identificare gli oratori nella conversazione nel tempo. Per le richieste non di streaming, i risultati della diarizzazione verranno forniti solo nell'alternativa principale di FINAL SpeechRecognitionResult.
metadata

RecognitionMetadata

Metadati relativi a questa richiesta.
model

string

Quale modello selezionare per la richiesta specificata. Seleziona il modello più adatto al tuo dominio per ottenere risultati ottimali. Se non viene specificato esplicitamente un modello, ne selezioniamo automaticamente uno in base ai parametri in RecognitionConfig.

Modello Descrizione

latest_long

 Ideale per contenuti nel formato lungo come contenuti multimediali o conversazioni.

latest_short

 Ideale per contenuti nel formato breve come comandi o discorsi diretti in una sola ripresa.

command_and_search

 Ideale per brevi query come comandi vocali o ricerca vocale.

phone_call

 Ideale per audio proveniente da una telefonata (normalmente registrata con una frequenza di campionamento pari a 8 kHz).

video

 Ideale per audio proveniente da video o che include più interlocutori. L'audio viene registrato preferibilmente con una frequenza di campionamento pari o superiore a 16 kHz. Questo è un modello premium con un costo più alto rispetto alla tariffa standard.

default

 Ideale per audio diverso dagli altri modelli audio specifici, ad esempio audio di lunga durata. L'audio è ad alta precisione, preferibilmente registrato con una frequenza di campionamento pari o superiore a 16 kHz.

medical_conversation

 Ideale per audio proveniente da una conversazione tra un medico e un paziente.

medical_dictation

 Ideale per audio proveniente da note di dettatura di un fornitore di servizi sanitari.

use_enhanced

bool

Imposta il valore true per utilizzare un modello avanzato per il riconoscimento vocale. Se use_enhanced è impostato su true e il campo model non è impostato, viene scelto un modello avanzato appropriato, se ne esiste uno per l'audio.

Se use_enhanced è true e non esiste una versione avanzata del modello specificato, il parlato viene riconosciuto utilizzando la versione standard del modello specificato.

AudioEncoding

La codifica dei dati audio inviati nella richiesta.

Tutte le codifiche supportano solo l'audio a 1 canale (mono), a meno che non siano impostati i campi audio_channel_count e enable_separate_recognition_per_channel.

Per ottenere risultati ottimali, la sorgente audio deve essere acquisita e trasmessa utilizzando una codifica lossless (FLAC o LINEAR16). L'accuratezza del riconoscimento vocale può essere ridotta se vengono utilizzati codec lossy per acquisire o trasmettere l'audio, in particolare se è presente rumore di fondo. I codec con perdita includono MULAW, AMR, AMR_WB, OGG_OPUS, SPEEX_WITH_HEADER_BYTE, MP3 e WEBM_OPUS.

I formati dei file audio FLAC e WAV includono un'intestazione che descrive i contenuti audio inclusi. Puoi richiedere il riconoscimento per i file WAV che contengono audio codificato LINEAR16 o MULAW. Se invii il formato file audio FLAC o WAV nella richiesta, non devi specificare un AudioEncoding; il formato di codifica audio viene determinato dall'intestazione del file. Se specifichi un AudioEncoding quando invii audio FLAC o WAV, la configurazione della codifica deve corrispondere a quella descritta nell'intestazione audio; in caso contrario, la richiesta restituisce un codice di errore google.rpc.Code.INVALID_ARGUMENT.

Enum
ENCODING_UNSPECIFIED Non specificato.
LINEAR16 Campioni little-endian firmati a 16 bit non compressi (PCM lineare).
FLAC FLAC (Free Lossless Audio Codec) è la codifica consigliata perché non comporta perdita di dati, quindi il riconoscimento non è compromesso, e richiede solo circa la metà della larghezza di banda di LINEAR16. La codifica del flusso FLAC supporta campioni a 16 e 24 bit, tuttavia non tutti i campi in STREAMINFO sono supportati.
MULAW Campioni a 8 bit che comprimono campioni audio a 14 bit utilizzando G.711 PCMU/mu-law.
AMR Codec Adaptive Multi-Rate Narrowband. sample_rate_hertz deve essere 8000.
AMR_WB Codec Adaptive Multi-Rate Wideband. sample_rate_hertz deve essere 16000.
OGG_OPUS Frame audio codificati con Opus nel container Ogg (OggOpus). sample_rate_hertz deve essere uno dei seguenti valori: 8000, 12000, 16000, 24000 o 48000.
SPEEX_WITH_HEADER_BYTE Sebbene l'utilizzo di codifiche con perdita non sia consigliato, se è necessaria una codifica con bitrate molto basso, OGG_OPUS è preferibile alla codifica Speex. La codifica Speex supportata dall'API Cloud Speech ha un byte di intestazione in ogni blocco, come nel tipo MIME audio/x-speex-with-header-byte. È una variante della codifica RTP Speex definita nel documento RFC 5574. Lo stream è una sequenza di blocchi, un blocco per pacchetto RTP. Ogni blocco inizia con un byte contenente la lunghezza del blocco, in byte, seguito da uno o più frame di dati Speex, con padding a un numero intero di byte (ottetti) come specificato in RFC 5574. In altre parole, ogni intestazione RTP viene sostituita da un singolo byte contenente la lunghezza del blocco. È supportato solo Speex a banda larga. sample_rate_hertz deve essere 16000.
MP3 Audio MP3. La codifica MP3 è una funzionalità beta e disponibile solo nella versione v1p1beta1. Supporta tutte le velocità in bit MP3 standard (che vanno da 32 a 320 kbps). Quando utilizzi questa codifica, sample_rate_hertz deve corrispondere alla frequenza di campionamento del file utilizzato.
WEBM_OPUS Frame audio codificati con Opus nel container WebM (WebM). sample_rate_hertz deve essere uno dei seguenti valori: 8000, 12000, 16000, 24000 o 48000.
ALAW Campioni a 8 bit che comprimono campioni audio a 13 bit utilizzando G.711 PCMU/a-law.

RecognitionMetadata

Descrizione dei dati audio da riconoscere.

Campi
interaction_type

InteractionType

Il caso d'uso che descrive più da vicino i contenuti audio da riconoscere.
industry_naics_code_of_audio

uint32

Il settore verticale a cui si applica più da vicino questa richiesta di riconoscimento vocale. Questo è l'indicatore più significativo degli argomenti contenuti nell'audio. Utilizza il codice NAICS a 6 cifre per identificare il settore verticale. Vedi https://www.naics.com/search/.
microphone_distance

MicrophoneDistance

Il tipo di audio che descrive più da vicino l'audio in fase di riconoscimento.
original_media_type

OriginalMediaType

Il supporto originale su cui è stato registrato il discorso.
recording_device_type

RecordingDeviceType

Il tipo di dispositivo con cui è stato registrato il discorso.
recording_device_name

string

Il dispositivo utilizzato per effettuare la registrazione. Esempi: "Nexus 5X", "Polycom SoundStation IP 6000", "POTS", "VoIP" o "microfono cardioide".
original_mime_type

string

Tipo MIME del file audio originale. Ad esempio, audio/m4a, audio/x-alaw-basic, audio/mp3, audio/3gpp. Un elenco dei possibili tipi MIME audio è disponibile all'indirizzo http://www.iana.org/assignments/media-types/media-types.xhtml#audio
obfuscated_id
(deprecated)

int64

ID offuscato (protetto dalla privacy) dell'utente, per identificare il numero di utenti unici che utilizzano il servizio.
audio_topic

string

Descrizione dei contenuti. Es. "Registrazioni delle udienze della Corte suprema federale del 2012".

InteractionType

Categorie di casi d'uso in cui può essere descritta la richiesta di riconoscimento audio.

Enum
INTERACTION_TYPE_UNSPECIFIED Il caso d'uso è sconosciuto o diverso da uno degli altri valori riportati di seguito.
DISCUSSION Più persone in una conversazione o discussione. Ad esempio, in una riunione con due o più persone che partecipano attivamente. In genere, tutte le persone che parlano si trovano nella stessa stanza (in caso contrario, vedi PHONE_CALL)
PRESENTATION Una o più persone che tengono una lezione o una presentazione ad altre persone, per lo più senza interruzioni.
PHONE_CALL Una chiamata o una videoconferenza a cui partecipano attivamente due o più persone che non si trovano nella stessa stanza.
VOICEMAIL Un messaggio registrato destinato all'ascolto di un'altra persona.
PROFESSIONALLY_PRODUCED Audio prodotto professionalmente (ad es. Programma TV, Podcast).
VOICE_COMMAND Trascrivere i comandi vocali, ad esempio per controllare un dispositivo.
DICTATION Trascrivi la voce in testo per creare un documento scritto, ad esempio un messaggio di testo, un'email o un report.

MicrophoneDistance

Elenca i tipi di impostazioni di acquisizione che descrivono un file audio.

Enum
MICROPHONE_DISTANCE_UNSPECIFIED Il tipo di audio non è noto.
NEARFIELD L'audio è stato acquisito da un microfono posizionato vicino. Ad esempio, smartphone, registratore o microfono portatile. In genere, se l'oratore si trova a meno di 1 metro dal microfono.
MIDFIELD L'oratore se si trova entro 3 metri dal microfono.
FARFIELD L'oratore si trova a più di 3 metri di distanza dal microfono.

OriginalMediaType

Il supporto originale su cui è stato registrato il discorso.

Enum
ORIGINAL_MEDIA_TYPE_UNSPECIFIED Tipo di contenuti multimediali originali sconosciuto.
AUDIO I dati vocali sono una registrazione audio.
VIDEO I dati vocali registrati originariamente in un video.

RecordingDeviceType

Il tipo di dispositivo con cui è stato registrato il discorso.

Enum
RECORDING_DEVICE_TYPE_UNSPECIFIED Il dispositivo di registrazione è sconosciuto.
SMARTPHONE Il discorso è stato registrato su uno smartphone.
PC Il discorso è stato registrato utilizzando un personal computer o un tablet.
PHONE_LINE Il discorso è stato registrato su una linea telefonica.
VEHICLE La voce è stata registrata in un veicolo.
OTHER_OUTDOOR_DEVICE Il discorso è stato registrato all'aperto.
OTHER_INDOOR_DEVICE Il discorso è stato registrato in un ambiente chiuso.

RecognizeRequest

Il messaggio di primo livello inviato dal client per il metodo Recognize.

Campi
config

RecognitionConfig

Obbligatorio. Fornisce informazioni al sistema di riconoscimento che specificano come elaborare la richiesta.
audio

RecognitionAudio

Obbligatorio. I dati audio da riconoscere.

RecognizeResponse

L'unico messaggio restituito al client dal metodo Recognize. Contiene il risultato come zero o più messaggi SpeechRecognitionResult sequenziali.

Campi
results[]

SpeechRecognitionResult

Elenco sequenziale dei risultati della trascrizione corrispondenti alle porzioni sequenziali dell'audio.
total_billed_time

Duration

Se disponibili, i secondi di audio fatturati per la richiesta corrispondente.
speech_adaptation_info

SpeechAdaptationInfo

Fornisce informazioni sul comportamento di adattamento nella risposta
request_id

int64

L'ID associato alla richiesta. Si tratta di un ID univoco specifico solo per la richiesta indicata.
using_legacy_models

bool

Indica se la richiesta utilizzava modelli ASR legacy (non è stata eseguita la migrazione automatica per utilizzare i modelli conformer).

SpeakerDiarizationConfig

Configurazione per abilitare la diarizzazione degli interlocutori.

Campi
enable_speaker_diarization

bool

Se "true", attiva il rilevamento dello speaker per ogni parola riconosciuta nell'alternativa migliore del risultato del riconoscimento utilizzando un'etichetta speaker fornita in WordInfo.
min_speaker_count

int32

Numero minimo degli speaker che partecipano alla conversazione. Questo intervallo ti offre una flessibilità superiore, consentendo al sistema di determinare automaticamente il numero corretto di speaker. Se non viene impostato, usa il valore predefinito 2.
max_speaker_count

int32

Numero massimo di speaker che partecipano alla conversazione. Questo intervallo ti offre una flessibilità superiore, consentendo al sistema di determinare automaticamente il numero corretto di speaker. Se non viene impostato, usa il valore predefinito 6.
speaker_tag
(deprecated)

int32

Solo output. Non utilizzata.

SpeechAdaptation

Configurazione dell'adattamento vocale.

Campi
phrase_sets[]

PhraseSet

Una raccolta di set di frasi. Per specificare i suggerimenti in linea, lascia vuoto il campo name del set di frasi e compila gli altri campi. Qualsiasi set di frasi può utilizzare qualsiasi classe personalizzata.
phrase_set_references[]

string

Una raccolta di nomi risorsa di set di frasi da utilizzare.
custom_classes[]

CustomClass

Una raccolta di classi personalizzate. Per specificare le classi inline, lascia vuoto il campo name della classe e compila gli altri campi, assegnando un custom_class_id univoco. Fai riferimento alla classe definita in linea nei suggerimenti per le frasi in base al relativo custom_class_id.
abnf_grammar

ABNFGrammar

Augmented Backus-Naur Form (ABNF) è una notazione grammaticale standardizzata composta da un insieme di regole di derivazione. Consulta le specifiche: https://www.w3.org/TR/speech-grammar

ABNFGrammar

Campi
abnf_strings[]

string

Tutte le dichiarazioni e le regole di una grammatica ABNF suddivise in più stringhe che verranno concatenate.

SpeechAdaptationInfo

Informazioni sull'utilizzo dell'adattamento vocale nei risultati

Campi
adaptation_timeout

bool

Indica se si è verificato un timeout durante l'applicazione dell'adattamento vocale. Se è vero, l'adattamento non ha avuto alcun effetto nella trascrizione della risposta.
timeout_message

string

Se impostato, restituisce un messaggio che specifica la parte della richiesta di adattamento del discorso per cui è stato raggiunto il timeout.

SpeechContext

Fornisce al riconoscimento vocale "suggerimenti" che privilegiano parole e frasi specifiche nei risultati.

Campi
phrases[]

string

Un elenco di stringhe contenenti "suggerimenti" di parole e frasi in modo che il riconoscimento vocale abbia più probabilità di riconoscerle. Può essere utilizzata per migliorare l'accuratezza di parole e frasi specifiche, ad esempio se l'utente pronuncia in genere comandi specifici. Può essere utilizzato anche per aggiungere altre parole al vocabolario del sistema di riconoscimento. Vedi i limiti di utilizzo.

Gli elementi dell'elenco possono anche essere impostati su classi per gruppi di parole che rappresentano concetti comuni che si verificano nel linguaggio naturale. Ad esempio, anziché fornire suggerimenti per le frasi per ogni mese dell'anno, l'utilizzo della classe $MONTH aumenta la probabilità di trascrivere correttamente l'audio che include i mesi.
boost

float

Suggerimento potenziato. Un valore positivo aumenterà la probabilità che una frase specifica venga riconosciuta rispetto ad altre frasi dal suono simile. Più alto è l'incremento, maggiore è la probabilità di un falso positivo. I valori di boosting negativi corrispondono all'anti-bias. L'anti-bias non è attivato, quindi il boost negativo verrà semplicemente ignorato. Sebbene boost possa accettare un'ampia gamma di valori positivi, la maggior parte dei casi d'uso è meglio servita con valori compresi tra 0 e 20. Ti consigliamo di utilizzare un approccio di ricerca binaria per trovare il valore ottimale per il tuo caso d'uso.

SpeechRecognitionAlternative

Ipotesi alternative (ovvero elenco n-best).

Campi
transcript

string

Testo della trascrizione che rappresenta le parole pronunciate dall'utente. Nelle lingue che utilizzano gli spazi per separare le parole, la trascrizione potrebbe avere uno spazio iniziale se non è il primo risultato. Puoi concatenare ogni risultato per ottenere la trascrizione completa senza utilizzare un separatore.
confidence

float

La stima di confidenza compresa tra 0,0 e 1,0. Un numero più alto indica una maggiore probabilità stimata che le parole riconosciute siano corrette. Questo campo è impostato solo per l'alternativa migliore di un risultato non di streaming o di un risultato di streaming in cui is_final=true. Non è garantita l'accuratezza di questo campo e gli utenti non devono fare affidamento sulla sua disponibilità. Il valore predefinito 0.0 è un valore sentinella che indica che confidence non è stato impostato.
words[]

WordInfo

Un elenco di informazioni specifiche per ogni parola riconosciuta. Nota: quando enable_speaker_diarization è vero, vedrai tutte le parole dall'inizio dell'audio.

SpeechRecognitionResult

Un risultato del riconoscimento vocale corrispondente a una parte dell'audio.

Campi
alternatives[]

SpeechRecognitionAlternative

Può contenere una o più ipotesi di riconoscimento (fino al massimo specificato in max_alternatives). Queste alternative sono ordinate in termini di accuratezza, con l'alternativa principale (la prima) che è la più probabile, in base alla classificazione del sistema di riconoscimento.
channel_tag

int32

Per l'audio multicanale, questo è il numero del canale corrispondente al risultato riconosciuto per l'audio di quel canale. Per audio_channel_count = N, i valori di output possono variare da "1" a "N".
result_end_time

Duration

Offset temporale della fine di questo risultato rispetto all'inizio dell'audio.
language_code

string

Solo output. Il tag lingua BCP-47 della lingua in questo risultato. È stato rilevato che questo codice di lingua è quello con la maggiore probabilità di essere parlato nell'audio.

StreamingRecognitionConfig

Fornisce informazioni al sistema di riconoscimento che specificano come elaborare la richiesta.

Campi
config

RecognitionConfig

Obbligatorio. Fornisce informazioni al sistema di riconoscimento che specificano come elaborare la richiesta.
single_utterance

bool

Se false o omesso, il sistema di riconoscimento esegue il riconoscimento continuo (continua ad attendere ed elaborare l'audio anche se l'utente interrompe la conversazione) finché il client non chiude il flusso di input (API gRPC) o finché non viene raggiunto il limite di tempo massimo. Potrebbe restituire più StreamingRecognitionResult con il flag is_final impostato su true.

Se true, il sistema di riconoscimento rileverà una singola espressione pronunciata. Quando rileva che l'utente ha messo in pausa o ha smesso di parlare, restituisce un evento END_OF_SINGLE_UTTERANCE e interrompe il riconoscimento. Restituirà al massimo un StreamingRecognitionResult con il flag is_final impostato su true.

Il campo single_utterance può essere utilizzato solo con modelli specifici, altrimenti viene generato un errore. Il campo model in RecognitionConfig deve essere impostato su:

  • command_and_search
  • phone_call E campo aggiuntivo useEnhanced=true
  • Il campo model non è definito. In questo caso, l'API seleziona automaticamente un modello in base a qualsiasi altro parametro impostato in RecognitionConfig.
interim_results

bool

Se true, i risultati provvisori (ipotesi provvisorie) potrebbero essere restituiti non appena diventano disponibili (questi risultati provvisori sono indicati con il flag is_final=false). Se false o omesso, vengono restituiti solo is_final=true risultati.
enable_voice_activity_events

bool

Se true, le risposte con eventi vocali verranno restituite man mano che vengono rilevate.
voice_activity_timeout

VoiceActivityTimeout

Se impostato, il server chiuderà automaticamente lo stream dopo che è trascorsa la durata specificata dall'invio dell'ultimo evento vocale VOICE_ACTIVITY. Anche il campo voice_activity_events deve essere impostato su true.

VoiceActivityTimeout

Eventi per i quali è possibile impostare un timeout per l'attività vocale.

Campi
speech_start_timeout

Duration

Durata del timeout dello stream se non inizia alcun discorso.
speech_end_timeout

Duration

Durata del timeout dello stream dopo la fine del discorso.

StreamingRecognitionResult

Un risultato del riconoscimento vocale di audio in streaming corrispondente a una parte dell'audio in fase di elaborazione.

Campi
alternatives[]

SpeechRecognitionAlternative

Può contenere una o più ipotesi di riconoscimento (fino al massimo specificato in max_alternatives). Queste alternative sono ordinate in termini di accuratezza, con l'alternativa principale (la prima) che è la più probabile, in base alla classificazione del sistema di riconoscimento.
is_final

bool

Se false, questo StreamingRecognitionResult rappresenta un risultato provvisorio che potrebbe cambiare. Se true, questa è l'ultima volta che il servizio vocale restituirà questo particolare StreamingRecognitionResult, il sistema di riconoscimento non restituirà ulteriori ipotesi per questa parte della trascrizione e dell'audio corrispondente.
stability

float

Una stima della probabilità che il sistema di riconoscimento non modifichi la sua ipotesi su questo risultato intermedio. I valori vanno da 0,0 (completamente instabile) a 1,0 (completamente stabile). Questo campo viene fornito solo per i risultati provvisori (is_final=false). Il valore predefinito 0.0 è un valore sentinella che indica che stability non è stato impostato.
result_end_time

Duration

Offset temporale della fine di questo risultato rispetto all'inizio dell'audio.
channel_tag

int32

Per l'audio multicanale, questo è il numero del canale corrispondente al risultato riconosciuto per l'audio di quel canale. Per audio_channel_count = N, i valori di output possono variare da "1" a "N".
language_code

string

Solo output. Il tag lingua BCP-47 della lingua in questo risultato. È stato rilevato che questo codice di lingua è quello con la maggiore probabilità di essere parlato nell'audio.

StreamingRecognizeRequest

Il messaggio di primo livello inviato dal client per il metodo StreamingRecognize. Vengono inviati più messaggi StreamingRecognizeRequest. Il primo messaggio deve contenere un messaggio streaming_config e non deve contenere audio_content. Tutti i messaggi successivi devono contenere audio_content e non devono contenere un messaggio streaming_config.

Campi
Campo unione streaming_request. La richiesta di streaming, che è una configurazione di streaming o contenuti audio. streaming_request può essere solo uno dei seguenti:
streaming_config

StreamingRecognitionConfig

Fornisce informazioni al sistema di riconoscimento che specificano come elaborare la richiesta. Il primo messaggio StreamingRecognizeRequest deve contenere un messaggio streaming_config.
audio_content

bytes

I dati audio da riconoscere. I blocchi sequenziali di dati audio vengono inviati in messaggi StreamingRecognizeRequest sequenziali. Il primo messaggio StreamingRecognizeRequest non deve contenere dati audio_content e tutti i messaggi StreamingRecognizeRequest successivi devono contenere dati audio_content. I byte audio devono essere codificati come specificato in RecognitionConfig. Nota: come per tutti i campi di byte, i buffer di protocollo utilizzano una rappresentazione binaria pura (non base64). Consulta i limiti dei contenuti.

StreamingRecognizeResponse

StreamingRecognizeResponse è l'unico messaggio restituito al client da StreamingRecognize. Una serie di zero o più messaggi StreamingRecognizeResponse vengono trasmessi in streaming al client. Se non è presente audio riconoscibile e single_utterance è impostato su false, nessun messaggio viene trasmesso in streaming al client.

Ecco un esempio di una serie di StreamingRecognizeResponse che potrebbero essere restituiti durante l'elaborazione dell'audio:

  1. results { alternatives { transcript: "tubo" } stability: 0.01 }

  2. results { alternatives { transcript: "to be a" } stability: 0.01 }

  3. results { alternatives { transcript: "to be" } stability: 0.9 } results { alternatives { transcript: " or not to be" } stability: 0.01 }

  4. results { alternatives { transcript: "to be or not to be" confidence: 0.92 } alternatives { transcript: "to bee or not to bee" } is_final: true }

  5. results { alternatives { transcript: " that's" } stability: 0.01 }

  6. results { alternatives { transcript: " that is" } stability: 0.9 } results { alternatives { transcript: " the question" } stability: 0.01 }

  7. results { alternatives { transcript: " that is the question" confidence: 0.98 } alternatives { transcript: " that was the question" } is_final: true }

Note:

  • Solo due delle risposte precedenti, la 4 e la 7, contengono i risultati finali, indicati da is_final: true. La concatenazione di questi elementi genera la trascrizione completa: "Essere o non essere, questo è il problema".

  • Gli altri contengono results provvisori. I numeri 3 e 6 contengono due results provvisori: la prima parte ha un'elevata stabilità ed è meno probabile che cambi; la seconda parte ha una bassa stabilità ed è molto probabile che cambi. Un UI designer potrebbe scegliere di mostrare solo results con stabilità elevata.

  • I valori specifici di stability e confidence mostrati sopra sono solo a scopo illustrativo. I valori effettivi possono variare.

  • In ogni risposta, verrà impostato solo uno di questi campi: error, speech_event_type o uno o più campi results (ripetuti).

Campi
error

Status

Se impostato, restituisce un messaggio google.rpc.Status che specifica l'errore per l'operazione.
results[]

StreamingRecognitionResult

Questo elenco ripetuto contiene zero o più risultati che corrispondono a porzioni consecutive dell'audio attualmente in elaborazione. Contiene zero o un risultato is_final=true (la parte appena liquidata), seguito da zero o più risultati is_final=false (i risultati provvisori).
speech_event_type

SpeechEventType

Indica il tipo di evento vocale.
speech_event_time

Duration

Offset temporale tra l'inizio dell'audio e l'emissione dell'evento.
total_billed_time

Duration

Quando disponibili, i secondi audio fatturati per lo stream. Imposta solo se questa è l'ultima risposta nel flusso.
speech_adaptation_info

SpeechAdaptationInfo

Fornisce informazioni sul comportamento di adattamento nella risposta
request_id

int64

L'ID associato alla richiesta. Si tratta di un ID univoco specifico solo per la richiesta indicata.

SpeechEventType

Indica il tipo di evento vocale.

Enum
SPEECH_EVENT_UNSPECIFIED Nessun evento vocale specificato.
END_OF_SINGLE_UTTERANCE Questo evento indica che il server ha rilevato la fine dell'espressione vocale dell'utente e non prevede ulteriori input vocali. Pertanto, il server non elaborerà audio aggiuntivo (anche se potrebbe restituire successivamente risultati aggiuntivi). Il client deve interrompere l'invio di dati audio aggiuntivi, chiudere parzialmente la connessione gRPC e attendere eventuali risultati aggiuntivi finché il server non chiude la connessione gRPC. Questo evento viene inviato solo se single_utterance è stato impostato su true e non viene utilizzato altrimenti.
SPEECH_ACTIVITY_BEGIN Questo evento indica che il server ha rilevato l'inizio dell'attività vocale umana nel flusso. Questo evento può essere restituito più volte se il parlato inizia e si interrompe ripetutamente durante lo stream. Questo evento viene inviato solo se voice_activity_events è impostato su true.
SPEECH_ACTIVITY_END Questo evento indica che il server ha rilevato la fine dell'attività vocale umana nello stream. Questo evento può essere restituito più volte se il parlato inizia e si interrompe ripetutamente durante lo stream. Questo evento viene inviato solo se voice_activity_events è impostato su true.
SPEECH_ACTIVITY_TIMEOUT Questo evento indica che il timeout impostato dall'utente per l'inizio o la fine dell'attività vocale è stato superato. Una volta ricevuto questo evento, il client deve inviare una chiusura parziale. L'audio aggiuntivo non verrà elaborato.

TranscriptNormalization

Configurazione della normalizzazione della trascrizione. Utilizza la normalizzazione della trascrizione per sostituire automaticamente parti della trascrizione con frasi a tua scelta. Per StreamingRecognize, questa normalizzazione si applica solo alle trascrizioni parziali stabili (stabilità > 0,8) e alle trascrizioni finali.

Campi
entries[]

Entry

Un elenco di voci di sostituzione. Eseguiremo la sostituzione con una voce alla volta. Ad esempio, la seconda voce di ["cat" => "dog", "mountain cat" => "mountain dog"] non verrà mai applicata perché elaboreremo sempre la prima voce prima. Al massimo 100 voci.

Voce

Una singola configurazione di sostituzione.

Campi
search

string

Cosa sostituire. La lunghezza massima è di 100 caratteri.
replace

string

Con cosa sostituire. La lunghezza massima è di 100 caratteri.
case_sensitive

bool

Indica se la ricerca è sensibile alle maiuscole.

TranscriptOutputConfig

Specifica una destinazione facoltativa per i risultati del riconoscimento.

Campi

Campo unione output_type.

output_type può essere solo uno dei seguenti:
gcs_uri

string

Specifica un URI Cloud Storage per i risultati del riconoscimento. Deve essere specificato nel formato: gs://bucket_name/object_name e il bucket deve già esistere.

UpdateCustomClassRequest

Messaggio inviato dal cliente per il metodo UpdateCustomClass.

Campi
custom_class

CustomClass

Obbligatorio. La classe personalizzata da aggiornare.

Il campo name della classe personalizzata viene utilizzato per identificare la classe personalizzata da aggiornare. Formato:

projects/{project}/locations/{location}/customClasses/{custom_class}

Speech-to-Text supporta tre località: global, us (Nord America) e eu (Europa). Se chiami l'endpoint speech.googleapis.com, utilizza la posizione global. Per specificare una regione, utilizza un endpoint regionale con un valore di località us o eu corrispondente.

L'autorizzazione richiede la seguente autorizzazione IAM per la risorsa specificata customClass:

  • speech.customClasses.update
update_mask

FieldMask

L'elenco dei campi da aggiornare.

UpdatePhraseSetRequest

Messaggio inviato dal cliente per il metodo UpdatePhraseSet.

Campi
phrase_set

PhraseSet

Obbligatorio. La frase da aggiornare.

Il campo name del set di frasi viene utilizzato per identificare il set da aggiornare. Formato:

projects/{project}/locations/{location}/phraseSets/{phrase_set}

Speech-to-Text supporta tre località: global, us (Nord America) e eu (Europa). Se chiami l'endpoint speech.googleapis.com, utilizza la posizione global. Per specificare una regione, utilizza un endpoint regionale con un valore di località us o eu corrispondente.

L'autorizzazione richiede la seguente autorizzazione IAM per la risorsa specificata phraseSet:

  • speech.phraseSets.update
update_mask

FieldMask

L'elenco dei campi da aggiornare.

WordInfo

Informazioni specifiche per le parole riconosciute.

Campi
start_time

Duration

Offset temporale relativo all'inizio dell'audio e corrispondente all'inizio della parola pronunciata. Questo campo viene impostato solo se enable_word_time_offsets=true e solo nell'ipotesi principale. Si tratta di una funzionalità sperimentale e l'accuratezza dell'offset temporale può variare.
end_time

Duration

Offset temporale relativo all'inizio dell'audio e corrispondente alla fine della parola pronunciata. Questo campo viene impostato solo se enable_word_time_offsets=true e solo nell'ipotesi principale. Si tratta di una funzionalità sperimentale e l'accuratezza dell'offset temporale può variare.
word

string

La parola corrispondente a questo insieme di informazioni.
confidence

float

La stima di confidenza compresa tra 0,0 e 1,0. Un numero più alto indica una maggiore probabilità stimata che le parole riconosciute siano corrette. Questo campo è impostato solo per l'alternativa migliore di un risultato non di streaming o di un risultato di streaming in cui is_final=true. Non è garantita l'accuratezza di questo campo e gli utenti non devono fare affidamento sulla sua disponibilità. Il valore predefinito 0.0 è un valore sentinella che indica che confidence non è stato impostato.
speaker_tag
(deprecated)

int32

Solo output. A ogni oratore all'interno dell'audio viene assegnato un valore intero distinto. Questo campo specifica quale di questi oratori è stato rilevato mentre pronunciava questa parola. I valori vanno da "1" a diarization_speaker_count. speaker_tag viene impostato se enable_speaker_diarization = "true" e solo per l'alternativa migliore. Nota: utilizza invece speaker_label.
speaker_label

string

Solo output. Un valore di etichetta assegnato a ogni oratore unico all'interno dell'audio. Questo campo specifica quale oratore è stato rilevato mentre pronunciava questa parola. Per alcuni modelli, come medical_conversation, può trattarsi del ruolo effettivo dell'oratore, ad esempio "paziente" o "fornitore", ma in genere si tratta di un numero che identifica un oratore. Questo campo viene impostato solo se enable_speaker_diarization = "true" e solo per l'alternativa migliore.