Package google.cloud.speech.v1p1beta1

インデックス

• Adaptation（インターフェース）
• Speech（インターフェース）
• CreateCustomClassRequest（メッセージ）
• CreatePhraseSetRequest（メッセージ）
• CustomClass（メッセージ）
• CustomClass.ClassItem（メッセージ）
• CustomClass.State（列挙型）
• DeleteCustomClassRequest（メッセージ）
• DeletePhraseSetRequest（メッセージ）
• GetCustomClassRequest（メッセージ）
• GetPhraseSetRequest（メッセージ）
• ListCustomClassesRequest（メッセージ）
• ListCustomClassesResponse（メッセージ）
• ListPhraseSetRequest（メッセージ）
• ListPhraseSetResponse（メッセージ）
• LongRunningRecognizeMetadata（メッセージ）
• LongRunningRecognizeRequest（メッセージ）
• LongRunningRecognizeResponse（メッセージ）
• PhraseSet（メッセージ）
• PhraseSet.Phrase（メッセージ）
• PhraseSet.State（列挙型）
• RecognitionAudio（メッセージ）
• RecognitionConfig（メッセージ）
• RecognitionConfig.AudioEncoding（列挙型）
• RecognitionMetadata（メッセージ）（非推奨）
• RecognitionMetadata.InteractionType（列挙型）
• RecognitionMetadata.MicrophoneDistance（列挙型）
• RecognitionMetadata.OriginalMediaType（列挙型）
• RecognitionMetadata.RecordingDeviceType（列挙型）
• RecognizeRequest（メッセージ）
• RecognizeResponse（メッセージ）
• SpeakerDiarizationConfig（メッセージ）
• SpeechAdaptation（メッセージ）
• SpeechAdaptation.ABNFGrammar（メッセージ）
• SpeechAdaptationInfo（メッセージ）
• SpeechContext（メッセージ）
• SpeechRecognitionAlternative（メッセージ）
• SpeechRecognitionResult（メッセージ）
• StreamingRecognitionConfig（メッセージ）
• StreamingRecognitionConfig.VoiceActivityTimeout（メッセージ）
• StreamingRecognitionResult（メッセージ）
• StreamingRecognizeRequest（メッセージ）
• StreamingRecognizeResponse（メッセージ）
• StreamingRecognizeResponse.SpeechEventType（列挙型）
• TranscriptNormalization（メッセージ）
• TranscriptNormalization.Entry（メッセージ）
• TranscriptOutputConfig（メッセージ）
• UpdateCustomClassRequest（メッセージ）
• UpdatePhraseSetRequest（メッセージ）
• WordInfo（メッセージ）

適応

Google Cloud Speech Adaptation API を実装するサービス。

CreateCustomClass
rpc CreateCustomClass(CreateCustomClassRequest) returns (CustomClass) カスタムクラスを作成します。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

CreatePhraseSet
rpc CreatePhraseSet(CreatePhraseSetRequest) returns (PhraseSet) フレーズ ヒントのセットを作成します。セット内の各アイテムは、単語または複数の単語からなるフレーズにすることができます。PhraseSet を含む呼び出しを送信すると、認識モデルは PhraseSet 内のアイテムを優先します。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

DeleteCustomClass
rpc DeleteCustomClass(DeleteCustomClassRequest) returns (Empty) カスタムクラスを削除します。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

DeletePhraseSet
rpc DeletePhraseSet(DeletePhraseSetRequest) returns (Empty) フレーズセットを削除します。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

GetCustomClass
rpc GetCustomClass(GetCustomClassRequest) returns (CustomClass) カスタムクラスを取得します。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

GetPhraseSet
rpc GetPhraseSet(GetPhraseSetRequest) returns (PhraseSet) フレーズセットを取得します。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

ListCustomClasses
rpc ListCustomClasses(ListCustomClassesRequest) returns (ListCustomClassesResponse) カスタムクラスを一覧表示します。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

ListPhraseSet
rpc ListPhraseSet(ListPhraseSetRequest) returns (ListPhraseSetResponse) フレーズセットを一覧表示します。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

UpdateCustomClass
rpc UpdateCustomClass(UpdateCustomClassRequest) returns (CustomClass) カスタムクラスを更新します。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

UpdatePhraseSet
rpc UpdatePhraseSet(UpdatePhraseSetRequest) returns (PhraseSet) フレーズ セットを更新します。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

音声

Google Cloud Speech API を実装するサービス。

LongRunningRecognize
rpc LongRunningRecognize(LongRunningRecognizeRequest) returns (Operation) 非同期音声認識を実行します。google.longrunning.Operations インターフェースを介して結果を受け取ります。LongRunningRecognizeResponse メッセージを含む Operation.error または Operation.response のいずれかを返します。非同期音声認識の詳細については、ハウツーをご覧ください。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

認識
rpc Recognize(RecognizeRequest) returns (RecognizeResponse) 音声認識を同期的に実行します。すべての音声が送信されて処理された後に結果を受け取ります。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

StreamingRecognize
rpc StreamingRecognize(StreamingRecognizeRequest) returns (StreamingRecognizeResponse) 音声認識を双方向ストリーミングで実行します。音声を送信しながら結果を受け取ります。このメソッドは、REST ではなく、gRPC API を介してのみ使用できます。 認可スコープ 次の OAuth スコープが必要です。 https://www.googleapis.com/auth/cloud-platform 詳細については、Authentication Overview をご覧ください。

CreateCustomClassRequest

CreateCustomClass メソッド向けにクライアントから送信されるメッセージ。

フィールド
parent	string 必須。このカスタムクラスが作成される親リソース。形式: projects/{project}/locations/{location}/customClasses Speech-to-Text は、global、us（米国北米）、eu（ヨーロッパ）の 3 つのロケーションをサポートしています。speech.googleapis.com エンドポイントを呼び出す場合は、global ロケーションを使用します。リージョンを指定するには、一致する us または eu のロケーション値を持つリージョン エンドポイントを使用します。 認可には、指定されたリソース parent に対する次の IAM の権限が必要です。 speech.customClasses.create
custom_class_id	string 必須。カスタムクラスに使用する ID。カスタムクラスのリソース名の最終的なコンポーネントになります。 この値は、先頭の文字は英字、末尾の文字は英字または数字、4 ～ 63 文字の英数字とハイフンで構成する必要があります。
custom_class	CustomClass 必須。作成するカスタムクラス。

CreatePhraseSetRequest

CreatePhraseSet メソッド向けにクライアントから送信されるメッセージ。

フィールド
parent	string 必須。このフレーズ セットが作成される親リソース。形式: projects/{project}/locations/{location} Speech-to-Text は、global、us（米国北米）、eu（ヨーロッパ）の 3 つのロケーションをサポートしています。speech.googleapis.com エンドポイントを呼び出す場合は、global ロケーションを使用します。リージョンを指定するには、一致する us または eu のロケーション値を持つリージョン エンドポイントを使用します。 認可には、指定されたリソース parent に対する次の IAM の権限が必要です。 speech.phraseSets.create
phrase_set_id	string 必須。フレーズ セットに使用する ID。フレーズ セットのリソース名の最終的なコンポーネントになります。 この値は、先頭の文字は英字、末尾の文字は英字または数字、4 ～ 63 文字の英数字とハイフンで構成する必要があります。
phrase_set	PhraseSet 必須。作成するフレーズセット。

CustomClass

音声に頻繁に出現する可能性のある一般的なコンセプトを表す単語やフレーズのセット（客船の名前のリストなど）。CustomClass アイテムは、PhraseSet フレーズで設定したプレースホルダに置き換えることができます。

フィールド
name	string カスタムクラスのリソース名。
custom_class_id	string このカスタムクラスがリソースの場合、custom_class_id は CustomClass のリソース ID です。大文字と小文字が区別されます。
items[]	ClassItem クラスアイテムのコレクション。
kms_key_name	string 出力専用。ClassItem のコンテンツが暗号化される KMS 鍵の名前。projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key} という形式で指定してください。
kms_key_version_name	string 出力専用。ClassItem のコンテンツが暗号化される KMS 鍵バージョン名。projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key}/cryptoKeyVersions/{crypto_key_version} という形式で指定してください。
uid	string 出力専用。システムによって割り当てられた CustomClass の固有識別子。このフィールドは使用されません。
display_name	string 出力専用。ユーザーが設定可能な、人が読める形式の CustomClass の名前。63 文字以下にしてください。このフィールドは使用されません。
state	State 出力専用。CustomClass のライフサイクル ステータス。このフィールドは使用されません。
delete_time	Timestamp 出力専用。このリソースの削除がリクエストされた時刻。このフィールドは使用されません。
expire_time	Timestamp 出力専用。このリソースがパージされる時刻。このフィールドは使用されません。
annotations	map<string, string> 出力専用。任意の少量のデータを保存できます。キーと値はそれぞれ 63 文字以下にする必要があります。アノテーションは最大 100 個まで。このフィールドは使用されません。
etag	string 出力専用。このチェックサムは、他のフィールドの値に基づいてサーバーによって計算されます。これは、更新リクエスト、削除リクエスト、削除リクエストで送信され、続行する前にクライアントが最新の値を持っていることを確認できます。このフィールドは使用されません。
reconciling	bool 出力専用。この CustomClass が更新中かどうか。このフィールドは使用されません。

ClassItem

クラスの項目。

フィールド
value	string クラス項目の値。

状態

CustomClass のライフサイクルを定義する状態のセット。

列挙型
STATE_UNSPECIFIED	未指定の状態。これは、未設定の値を区別するためだけに使用され、役に立ちます。
ACTIVE	通常およびアクティブな状態。
DELETED	この CustomClass は削除されました。

DeleteCustomClassRequest

DeleteCustomClass メソッド向けにクライアントから送信されるメッセージ。

フィールド
name	string 必須。削除するカスタムクラスの名前。形式: projects/{project}/locations/{location}/customClasses/{custom_class} Speech-to-Text は、global、us（米国北米）、eu（ヨーロッパ）の 3 つのロケーションをサポートしています。speech.googleapis.com エンドポイントを呼び出す場合は、global ロケーションを使用します。リージョンを指定するには、一致する us または eu のロケーション値を持つリージョン エンドポイントを使用します。 認可には、指定されたリソース name に対する次の IAM の権限が必要です。 speech.customClasses.delete

DeletePhraseSetRequest

DeletePhraseSet メソッド向けにクライアントから送信されるメッセージ。

フィールド
name	string 必須。削除するフレーズ セットの名前。形式: projects/{project}/locations/{location}/phraseSets/{phrase_set} 認可には、指定されたリソース name に対する次の IAM の権限が必要です。 speech.phraseSets.delete

GetCustomClassRequest

GetCustomClass メソッド向けにクライアントから送信されるメッセージ。

フィールド
name	string 必須。取得するカスタムクラスの名前。形式: projects/{project}/locations/{location}/customClasses/{custom_class} 認可には、指定されたリソース name に対する次の IAM の権限が必要です。 speech.customClasses.get

GetPhraseSetRequest

GetPhraseSet メソッド向けにクライアントから送信されるメッセージ。

フィールド
name	string 必須。取得するフレーズセットの名前。形式: projects/{project}/locations/{location}/phraseSets/{phrase_set} Speech-to-Text は、global、us（米国北米）、eu（ヨーロッパ）の 3 つのロケーションをサポートしています。speech.googleapis.com エンドポイントを呼び出す場合は、global ロケーションを使用します。リージョンを指定するには、一致する us または eu のロケーション値を持つリージョン エンドポイントを使用します。 認可には、指定されたリソース name に対する次の IAM の権限が必要です。 speech.phraseSets.get

ListCustomClassesRequest

ListCustomClasses メソッド向けにクライアントから送信されるメッセージ。

フィールド
parent	string 必須。このカスタムクラスのコレクションを所有する親。形式: projects/{project}/locations/{location}/customClasses Speech-to-Text は、global、us（米国北米）、eu（ヨーロッパ）の 3 つのロケーションをサポートしています。speech.googleapis.com エンドポイントを呼び出す場合は、global ロケーションを使用します。リージョンを指定するには、一致する us または eu のロケーション値を持つリージョン エンドポイントを使用します。 認可には、指定されたリソース parent に対する次の IAM の権限が必要です。 speech.customClasses.list
page_size	int32 返されるカスタム クラスの最大数。サービスが返す値はこれよりも少ないことがあります。指定されていない場合、最大で 50 個のカスタム クラスが返されます。最大値は 1,000 です。1,000 を超える値は 1,000 に強制変換されます。
page_token	string 前回の ListCustomClass 呼び出しから受け取ったページトークン。後続のページを取得するにはこれを指定します。 ページ分割を行う場合、ListCustomClass に指定する他のすべてのパラメータは、ページトークンを提供した呼び出しと一致する必要があります。

ListCustomClassesResponse

ListCustomClasses メソッドによってクライアントに返されるメッセージ。

フィールド
custom_classes[]	CustomClass カスタムクラス。
next_page_token	string 次のページを取得するために page_token として送信できるトークン。このフィールドを省略すると、後続のページはなくなります。

ListPhraseSetRequest

ListPhraseSet メソッド向けにクライアントから送信されるメッセージ。

フィールド
parent	string 必須。このフレーズ セットのコレクションを所有する親。形式: projects/{project}/locations/{location} Speech-to-Text は、global、us（米国北米）、eu（ヨーロッパ）の 3 つのロケーションをサポートしています。speech.googleapis.com エンドポイントを呼び出す場合は、global ロケーションを使用します。リージョンを指定するには、一致する us または eu のロケーション値を持つリージョン エンドポイントを使用します。 認可には、指定されたリソース parent に対する次の IAM の権限が必要です。 speech.phraseSets.list
page_size	int32 返すフレーズ セットの最大数。サービスが返す値はこれよりも少ないことがあります。指定されていない場合、最大で 50 個のフレーズセットが返されます。最大値は 1,000 です。1,000 を超える値は 1,000 に強制変換されます。
page_token	string 前回の ListPhraseSet 呼び出しから受け取ったページトークン。後続のページを取得するにはこれを指定します。 ページ分割を行う場合、ListPhraseSet に指定する他のすべてのパラメータは、ページトークンを提供した呼び出しと一致する必要があります。

ListPhraseSetResponse

ListPhraseSet メソッドによってクライアントに返されるメッセージ。

フィールド
phrase_sets[]	PhraseSet フレーズセット。
next_page_token	string 次のページを取得するために page_token として送信できるトークン。このフィールドを省略すると、後続のページはなくなります。

LongRunningRecognizeMetadata

長時間実行される LongRunningRecognize 呼び出しの進行状況を説明します。google::longrunning::Operations サービスの GetOperation 呼び出しによって返される Operation の metadata フィールドに含まれます。

フィールド
progress_percent	int32 これまでに処理された音声のおおよその割合。音声が完全に処理され、結果が取得できると、100 になります。
start_time	Timestamp リクエストが受信された時刻。
last_update_time	Timestamp 最後に更新が処理された時刻。
uri	string 出力専用。文字起こしされる音声ファイルの URI。音声がバイト コンテンツとして送信された場合は空になります。
output_config	TranscriptOutputConfig 出力専用。リクエストで設定された TranscriptOutputConfig のコピー。

LongRunningRecognizeRequest

LongRunningRecognize メソッド向けにクライアントから送信される最上位レベルのメッセージ。

フィールド
config	RecognitionConfig 必須。認識機能にリクエストの処理方法を指定する情報を提供します。
audio	RecognitionAudio 必須。認識する音声データ。
output_config	TranscriptOutputConfig 省略可。認識結果の宛先を指定します（省略可）。

LongRunningRecognizeResponse

LongRunningRecognize メソッドによってクライアントに返される唯一のメッセージ。結果は、0 個以上の連続した SpeechRecognitionResult メッセージとして含まれます。google::longrunning::Operations サービスの GetOperation 呼び出しによって返される Operation の result.response フィールドに含まれます。

フィールド
results[]	SpeechRecognitionResult 音声の連続する部分に対応する音声文字変換結果の連続するリスト。
total_billed_time	Duration 対応するリクエストの課金対象音声秒数（利用可能な場合）。
output_config	TranscriptOutputConfig リクエストに存在する場合の元の出力構成。
output_error	Status 文字起こし出力が失敗した場合、このフィールドには関連するエラーが含まれます。
speech_adaptation_info	SpeechAdaptationInfo レスポンスの音声適応の動作に関する情報を提供します
request_id	int64 リクエストに関連付けられた ID。これは、特定のリクエストに固有の一意の ID です。

PhraseSet

結果の中の特定の語句を優先するように、音声認識機能に「ヒント」を提供します。

フィールド
name	string フレーズセットのリソース名。
phrases[]	Phrase 単語と語句のリスト。
boost	float ヒント ブースト。正の値を指定すると、特定のフレーズが他の類似した発音のフレーズよりも認識される可能性が高くなります。ブーストが高いほど、誤検出の可能性も高くなります。ブースト値が負の値の場合、バイアス除去に対応します。バイアス除去が有効になっていないため、負のブーストは無視されます。boost は広範囲の正の値を許容できますが、ほとんどのユースケースでは 0（除く）～ 20 の値が最適です。ユースケースに最適な値を見つけるには、バイナリ検索アプローチを使用し、ブーストありとなしの両方のフレーズをリクエストに追加することをおすすめします。
kms_key_name	string 出力専用。PhraseSet のコンテンツが暗号化される KMS 鍵の名前。projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key} という形式で指定してください。
kms_key_version_name	string 出力専用。PhraseSet のコンテンツが暗号化される KMS 鍵バージョン名。projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key}/cryptoKeyVersions/{crypto_key_version} という形式で指定してください。
uid	string 出力専用。システムによって割り当てられた PhraseSet の固有識別子。このフィールドは使用されません。
display_name	string 出力専用。ユーザーが設定できる、人が読める形式の PhraseSet の名前。63 文字以下にしてください。このフィールドは使用されません。
state	State 出力専用。CustomClass のライフサイクル ステータス。このフィールドは使用されません。
delete_time	Timestamp 出力専用。このリソースの削除がリクエストされた時刻。このフィールドは使用されません。
expire_time	Timestamp 出力専用。このリソースがパージされる時刻。このフィールドは使用されません。
annotations	map<string, string> 出力専用。任意の少量のデータを保存できます。キーと値はそれぞれ 63 文字以下にする必要があります。アノテーションは最大 100 個まで。このフィールドは使用されません。
etag	string 出力専用。このチェックサムは、他のフィールドの値に基づいてサーバーによって計算されます。これは、更新リクエスト、削除リクエスト、削除リクエストで送信され、続行する前にクライアントが最新の値を持っていることを確認できます。このフィールドは使用されません。
reconciling	bool 出力専用。この PhraseSet が更新中かどうか。このフィールドは使用されません。

フレーズ

音声認識で認識されやすくするための単語やフレーズの「ヒント」を含むフレーズ。これは、特定の語句の精度を向上させるために使用できます。たとえば、ユーザーによって特定のコマンドがよく話されている場合が挙げられます。また、認識機能の語彙に語句を追加するためにも使用できます。詳しくは、使用制限をご覧ください。

リスト項目には、自然言語で一般的な概念を表す単語のグループを含む、事前構築済みまたはカスタムのクラスを含めることもできます。たとえば、1 年の各月に対してフレーズのヒントを提供する（「i was born in january」、「i was born in febuary」など）のではなく、組み込みの $MONTH クラスを使用すると、月を含む音声（「i was born in $month」など）を正しく文字起こしできる可能性が高まります。ビルド済みクラスを参照するには、クラスの記号の前に $ を付けます（例: $MONTH）。リクエストでインラインで定義されたカスタムクラスを参照するには、クラスの custom_class_id をすべてのクラスリソースとインライン クラスに固有の文字列に設定します。次に、クラスの ID を ${...} で囲んで使用します（例: "${my-months}"）。カスタムクラス リソースを参照するには、${} で囲まれたクラスの ID（例: ${my-months}）を使用します。

Speech-to-Text は、global、us（米国北米）、eu（ヨーロッパ）の 3 つのロケーションをサポートしています。speech.googleapis.com エンドポイントを呼び出す場合は、global ロケーションを使用します。リージョンを指定するには、一致する us または eu のロケーション値を持つリージョン エンドポイントを使用します。

フィールド
value	string フレーズ自体。
boost	float ヒント ブースト。フレーズセット レベルで設定されたブーストをオーバーライドします。正の値を指定すると、特定のフレーズが他の類似した発音のフレーズよりも認識される可能性が高くなります。ブーストが高いほど、誤検出の可能性も高くなります。負のブーストは無視されます。boost では広範囲の正の値を指定できますが、ほとんどのユースケースでは 0 ～ 20 の値が最適です。ユースケースに最適な値を見つけるには、バイナリ検索アプローチを使用し、ブーストありとなしの両方のフレーズをリクエストに追加することをおすすめします。

状態

CustomClass のライフサイクルを定義する状態のセット。

列挙型
STATE_UNSPECIFIED	未指定の状態。これは、未設定の値を区別するためだけに使用され、役に立ちます。
ACTIVE	通常およびアクティブな状態。
DELETED	この CustomClass は削除されました。

RecognitionAudio

RecognitionConfig で指定されたエンコードの音声データが含まれます。content または uri を指定する必要があります。両方を指定するか、どちらも指定しないと google.rpc.Code.INVALID_ARGUMENT が返されます。コンテンツの上限をご覧ください。

フィールド
共用体フィールド audio_source。インライン コンテンツまたは Google Cloud Storage URI の音声ソース。audio_source は次のいずれかになります。
content	bytes 音声データのバイトは RecognitionConfig に指定されたとおりにエンコードされます。注: すべてのバイト フィールドと同様に、proto バッファでは純 2 進表現を使用し、JSON 表現では base64 を使用します。
uri	string RecognitionConfig で指定された音声データバイトを含むファイルを指す URI。ファイルは圧縮しないでください（たとえば、gzip など）。現在サポートされているのは Google Cloud Storage URI のみです。これは gs://bucket_name/object_name の形式で指定する必要があります（他の URI 形式では google.rpc.Code.INVALID_ARGUMENT が返されます）。詳細については、リクエスト URI をご覧ください。

RecognitionConfig

認識機能にリクエストの処理方法を指定する情報を提供します。

項目
encoding	AudioEncoding すべての RecognitionAudio メッセージで送信される音声データのエンコード。このフィールドは、FLAC および WAV 音声ファイルでは省略可能であり、他のすべての音声形式では必須です。詳しくは、AudioEncoding をご覧ください。
sample_rate_hertz	int32 すべての RecognitionAudio メッセージで送信される音声データのサンプリング レート（ヘルツ単位）。有効な値は 8,000～48,000 です。16,000 が最適な値です。最良の結果を得るには、音源のサンプリング レートを 16,000 Hz に設定します。不可能な場合は、（再サンプリングせずに）音源のネイティブ サンプリング レートを使用します。このフィールドは、FLAC および WAV 音声ファイルでは省略可能ですが、他のすべての音声形式では必須です。詳しくは、AudioEncoding をご覧ください。
audio_channel_count	int32 入力音声データのチャンネル数。MULTI-CHANNEL 認識の場合にのみ設定します。LINEAR16、OGG_OPUS、FLAC の有効な値は 1～8 です。MULAW、AMR、AMR_WB、SPEEX_WITH_HEADER_BYTE の有効な値は 1 のみです。0 を指定した場合または省略した場合、デフォルトの 1 チャンネル（モノラル）に設定されます。注: デフォルトでは最初のチャンネルのみ認識されます。チャンネルごとに個別に認識させるには、enable_separate_recognition_per_channel を「true」に設定します。
enable_separate_recognition_per_channel	bool 各チャンネルを個別に認識させるには、これを明示的に true に設定し、audio_channel_count を 1 よりも大きい値に設定する必要があります。認識結果には、結果が属するチャンネルを示す channel_tag フィールドが含まれます。true でない場合は、最初のチャンネルのみが認識されます。リクエストは、認識されたすべてのチャンネルに対して累積的に課金されます。audio_channel_count に音声の長さを掛けた値が課金されます。
language_code	string 必須。提供された音声の言語を、BCP-47 言語タグで表したもの。例: "en-US"。現在サポートされている言語コードについては、言語のサポートをご覧ください。
alternative_language_codes[]	string 提供された音声の代替言語の候補を列挙した、最大 3 つの追加の BCP-47 言語タグのリスト。現在サポートされている言語コードについては、言語のサポートをご覧ください。代替言語がリストにある場合、認識結果には、メインの language_code での認識のほか、可能性が高いものとして検出された言語での認識が含まれます。認識結果には、音声で検出された言語の言語タグが含まれます。注: この機能は音声コマンドと音声検索のユースケースでのみサポートされており、他のユースケース（通話の音声文字変換など）ではパフォーマンスが異なる場合があります。
max_alternatives	int32 返される認識仮説の最大数。具体的には、各 SpeechRecognitionResult 内の SpeechRecognitionAlternative メッセージの最大数。サーバーは max_alternatives より少ない値を返すことがあります。有効な値は 0～30 です。値が 0 または 1 の場合は、最大で 1 つが返されます。省略した場合、最大数は 1 になります。
profanity_filter	bool true に設定すると、サーバーは冒とく的な表現を除外します。除外された各単語の先頭文字以外はアスタリスクに置き換えられます（例: 「f***」）。false に設定するか省略した場合、冒とく的な表現はフィルタリングされません。
adaptation	SpeechAdaptation 音声適応構成により、音声認識の精度が向上します。詳細については、音声適応のドキュメントをご覧ください。音声適応が設定されている場合、speech_contexts フィールドよりも優先されます。
transcript_normalization	TranscriptNormalization 省略可。文字起こし正規化を使用すると、文字起こしの部分を任意のフレーズに自動的に置き換えることができます。StreamingRecognize の場合、この正規化は安定した部分的な文字起こし（安定性 > 0.8）と最終的な文字起こしにのみ適用されます。
speech_contexts[]	SpeechContext SpeechContext の配列。音声認識の助けになるコンテキストを提供する手段。詳細については、音声適応をご覧ください。
enable_word_time_offsets	bool true の場合、最上位の結果に単語のリストと各単語の開始および終了時間オフセット（タイムスタンプ）が含まれます。false の場合、単語レベルの時間オフセット情報は返されません。デフォルトは false です。
enable_word_confidence	bool true の場合、最上位の結果に単語のリストと各単語の信頼度が含まれます。false の場合、単語レベルの信頼度情報は返されません。デフォルトは false です。
enable_automatic_punctuation	bool 「true」の場合、認識結果の仮説に句読点を追加します。この機能は一部の言語でのみ使用できます。それ以外の言語でこのオプションをリクエストに設定しても、まったく効果はありません。デフォルトの「false」値では、結果の仮説に句読点は追加されません。
enable_spoken_punctuation	BoolValue 通話の発話された句読点の動作です。設定されていない場合、選択したモデルに基づくデフォルトの動作が使用されます。たとえば、command_and_search では、発話された句読点がデフォルトで有効になります。「true」の場合、発話による句読点がリクエストの対応する記号に置き換えられます。たとえば、「お元気ですか疑問符」は「お元気ですか？」になります。サポートについては、https://cloud.google.com/speech-to-text/docs/spoken-punctuation をご覧ください。「false」の場合、発話された句読点は置き換えられません。
enable_spoken_emojis	BoolValue 通話の発話された絵文字の動作です。設定されていない場合は、選択したモデルに基づくデフォルトの動作が使用されます。「true」の場合、リクエストの発話された絵文字の形式が追加されます。最終的な文字起こしでは、発話された絵文字が対応する Unicode 記号に置き換えられます。「false」の場合、読み上げられた絵文字は置き換えられません。
enable_speaker_diarization (deprecated)	bool この項目は非推奨です。 「true」の場合、認識結果の最上位の候補にある認識された単語ごとに、WordInfo で提供される speaker_label を使用して話者検出を有効にします。注: 代わりに diarization_config を使用してください。
diarization_speaker_count (deprecated)	int32 この項目は非推奨です。 設定されている場合、会話内の話者の推定数を指定します。デフォルトは「2」です。enable_speaker_diarization が true に設定されていない限り、無視されます。注: 代わりに diarization_config を使用してください。
diarization_config	SpeakerDiarizationConfig 話者ダイアライゼーションを有効にし、アプリケーションにより適したダイアライゼーションにするための追加のパラメータを設定する構成。注: この設定が有効になっている場合、連続するすべての STREAMING レスポンスで、音声の冒頭からすべての単語が上位の変換候補として送信されます。これは、モデルが会話内の話者の識別を時間の経過とともに学習するうえで、話者タグを改善するために行われます。ストリーミング以外のリクエストについては、最後の SpeechRecognitionResult の最上位候補に限り、ダイアライゼーション結果が提供されます。
metadata	RecognitionMetadata このリクエストに関するメタデータ。
model	string 指定されたリクエストに選択するモデル。最適な結果を得るには、ドメインに最適なモデルを選択してください。モデルを明示的に指定しなかった場合、RecognitionConfig のパラメータに基づいて自動的にモデルが選択されます。 モデル 説明 latest_long メディアや会話など、長文形式のコンテンツに最適です。 latest_short コマンドやシングル ショットの音声など、短い形式のコンテンツに最適です。 command_and_search 音声コマンドや音声検索などの短いクエリに最適です。 phone_call 通話からの音声に最適です（通常は 8 kHz のサンプリング レートで録音されています）。 video 動画からの音声または複数話者を含む音声に最適です。音声は 16 kHz 以上のサンプリング レートで録音されていることが理想的です。これは、標準レートよりも費用の高いプレミアム モデルです。 default 特定の音声モデルではない音声に最適です。たとえば、長時間の音声などです。16 kHz 以上のサンプリング レートで録音された高忠実度の音声であることが理想的です。 medical_conversation 医療提供者と患者の間の会話から取得された音声に最適です。 medical_dictation 医療従事者によるディクテーション メモから生成された音声に最適です。
use_enhanced	bool 音声認識に拡張モデルを使用する場合は true に設定します。use_enhanced が true に設定されていて、model フィールドが設定されていない場合、音声に拡張モデルが存在すれば、適切な拡張モデルが選択されます。 use_enhanced が true で、指定されたモデルの拡張バージョンが存在しない場合、指定されたモデルの標準バージョンを使用して音声が認識されます。

AudioEncoding

リクエストで送信される音声データのエンコード。

audio_channel_count フィールドと enable_separate_recognition_per_channel フィールドが設定されていない限り、すべてのエンコードで 1 チャンネル（モノラル）の音声のみがサポートされます。

最良の結果を得るには、音声ソースをロスレス エンコード（FLAC または LINEAR16）でキャプチャして送信する必要があります。音声認識の精度は、特にバックグラウンド ノイズが存在する場合に、音声のキャプチャまたは送信に損失の大きいコーデックを使用すると低下します。ロッシー コーデックには、MULAW、AMR、AMR_WB、OGG_OPUS、SPEEX_WITH_HEADER_BYTE、MP3、WEBM_OPUS があります。

FLAC および WAV 音声ファイル形式には、含まれている音声コンテンツを記述したヘッダーが含まれます。LINEAR16 または MULAW でエンコードされた音声を含む WAV ファイルの認識をリクエストできます。リクエストで FLAC または WAV の音声ファイル形式を送信する場合、AudioEncoding を指定する必要はありません。音声エンコード形式はファイル ヘッダーから決定されます。FLAC または WAV 音声を送信するときに AudioEncoding を指定する場合、そのエンコード構成は音声ヘッダーに記述されているエンコードと一致している必要があります。それ以外の場合、リクエストは google.rpc.Code.INVALID_ARGUMENT を返します。

列挙型
ENCODING_UNSPECIFIED	指定なし。
LINEAR16	非圧縮 16 ビット符号付きリトル エンディアンのサンプル（Linear PCM）。
FLAC	FLAC（Free Lossless Audio Codec）はロスレスである（したがって、認識は損なわれない）ため推奨されるエンコード方式であり、LINEAR16 の約半分の帯域幅しか必要としません。FLAC ストリーム エンコードは 16 ビットと 24 ビットのサンプルをサポートしていますが、STREAMINFO のすべてのフィールドがサポートされているわけではありません。
MULAW	G.711 PCMU/mu-law を使用して 14 ビットの音声サンプルの圧縮と伸張を行う 8 ビットのサンプル。
AMR	Adaptive Multi-Rate Narrowband コーデック。sample_rate_hertz は 8,000 にする必要があります。
AMR_WB	Adaptive Multi-Rate Wideband コーデック。sample_rate_hertz は 16,000 にする必要があります。
OGG_OPUS	Ogg コンテナに格納された Opus エンコード形式の音声フレーム（OggOpus）。sample_rate_hertz は 8,000、12,000、16,000、24,000、または 48,000 にする必要があります。
SPEEX_WITH_HEADER_BYTE	ロッシー エンコードの使用は推奨されませんが、非常に低いビットレートのエンコードが必要な場合は、OGG_OPUS が Speex エンコードよりも強く推奨されます。Cloud Speech API でサポートされている Speex エンコードは、MIME タイプの audio/x-speex-with-header-byte と同様に、各ブロックにヘッダーバイトがあります。これは RFC 5574 で定義されている RTP Speex エンコードのバリアントです。ストリームは一連のブロックから成り、RTP パケットごとに 1 つのブロックがあります。各ブロックはブロックの長さ（バイト単位）を含むバイトから始まり、その後に 1 つ以上の Speex データのフレームが続きます。各データフレームは RFC 5574 で指定された整数バイト数（オクテット）になるようにパディングされます。言い換えると、各 RTP ヘッダーはブロック長を含む単一のバイトに置き換えられます。Speex ワイドバンドのみがサポートされています。sample_rate_hertz は 16000 にする必要があります。
MP3	MP3 オーディオ。MP3 エンコーディングはベータ版の機能で、v1p1beta1 でのみ使用できます。すべての標準的な MP3 ビットレート（32～320 kbps の範囲）をサポートします。このエンコードを使用する場合、sample_rate_hertz は、使用するファイルのサンプルレートと一致する必要があります。
WEBM_OPUS	WebM コンテナ（WebM）内の Opus でエンコードされた音声フレーム。sample_rate_hertz は 8,000、12,000、16,000、24,000、48,000 のいずれかにする必要があります。
ALAW	G.711 PCMU/a-law を使用して 13 ビットの音声サンプルの圧縮と伸張を行う 8 ビットのサンプル。

RecognitionMetadata

この項目は非推奨です。

認識する音声データの説明。

フィールド
interaction_type	InteractionType 認識する音声コンテンツを最もよく表すユースケース。
industry_naics_code_of_audio	uint32 この音声認識リクエストが最もよく当てはまる業種。これは音声に含まれるトピックを暗示します。6 桁の NAICS コードを使用して業種を特定します（https://www.naics.com/search/ を参照）。
microphone_distance	MicrophoneDistance 認識される音声を最もよく表す音声タイプ。
original_media_type	OriginalMediaType 音声が録音されたオリジナルのメディア。
recording_device_type	RecordingDeviceType 音声を録音した機器の種類。
recording_device_name	string 録音に使用した機器。たとえば、「Nexus 5X」、「Polycom SoundStation IP 6000」、「POTS」、「VoIP」、「Cardioid Microphone」など。
original_mime_type	string 元の音声ファイルの MIME タイプ。たとえば、audio/m4a、audio/x-alaw-basic、audio/mp3、audio/3gpp。使用可能な音声 MIME タイプのリストは、http://www.iana.org/assignments/media-types/media-types.xhtml#audio で管理されています。
obfuscated_id (deprecated)	int64 この項目は非推奨です。 難読化（プライバシー保護）されたユーザー ID。サービスを利用するユニーク ユーザー数を識別するために使用されます。
audio_topic	string コンテンツの説明。例: 「2012 年の連邦最高裁判所の法廷審問の録音」。

InteractionType

音声認識リクエストの説明に使用できるユースケースのカテゴリ。

列挙型
INTERACTION_TYPE_UNSPECIFIED	ユースケースは不明であるか、以下の値のいずれにも該当しません。
DISCUSSION	複数の人による会話やディスカッション。たとえば、2 人以上の人が積極的に参加している会議がこれに該当します。通常は主要な話者がすべて同じ部屋にいます（そうでない場合は PHONE_CALL を参照）。
PRESENTATION	1 人または複数の人による他者への講義やプレゼンテーション。ほとんど中断されずに進行します。
PHONE_CALL	同じ部屋にいない 2 人以上の人が積極的に参加している電話またはビデオ会議。
VOICEMAIL	他の人に聞かせることを意図した録音メッセージ。
PROFESSIONALLY_PRODUCED	専門家が制作したオーディオ（例: テレビ番組、ポッドキャスト）。
VOICE_SEARCH	話された質問や問い合わせをテキストに変換します。
VOICE_COMMAND	音声コマンド（デバイスを制御するためのコマンドなど）をテキストに変換します。
DICTATION	話したことをテキストに変換して、テキスト メッセージ、メール、レポートなどの文書を作成します。

MicrophoneDistance

音声ファイルのキャプチャ設定の種類を列挙します。

列挙型
MICROPHONE_DISTANCE_UNSPECIFIED	音声の種類は不明です。
NEARFIELD	近くに配置されたマイクから音声がキャプチャされました。たとえば、電話、ディクタフォン、ハンドマイクなどがこれに該当します。一般的に、話者はマイクから 1 メートル以内にいます。
MIDFIELD	話者はマイクから 3 メートル以内にいます。
FARFIELD	話者はマイクから 3 メートル以上離れています。

OriginalMediaType

音声が録音されたオリジナルのメディア。

列挙型
ORIGINAL_MEDIA_TYPE_UNSPECIFIED	不明なオリジナルのメディアタイプ。
AUDIO	音声データは音声録音です。
VIDEO	音声データは元々ビデオに記録されたものです。

RecordingDeviceType

音声を録音した機器の種類。

列挙型
RECORDING_DEVICE_TYPE_UNSPECIFIED	録音機器は不明です。
SMARTPHONE	音声はスマートフォンで録音されました。
PC	音声はパソコンまたはタブレットで録音されました。
PHONE_LINE	音声は電話回線越しに録音されました。
VEHICLE	音声は車両内で録音されました。
OTHER_OUTDOOR_DEVICE	音声は屋外で録音されました。
OTHER_INDOOR_DEVICE	音声は屋内で録音されました。

RecognizeRequest

Recognize メソッド向けにクライアントから送信される最上位レベルのメッセージ。

フィールド
config	RecognitionConfig 必須。認識機能にリクエストの処理方法を指定する情報を提供します。
audio	RecognitionAudio 必須。認識する音声データ。

RecognizeResponse

Recognize メソッドによってクライアントに返される唯一のメッセージ。結果は、0 個以上の連続した SpeechRecognitionResult メッセージとして含まれます。

フィールド
results[]	SpeechRecognitionResult 音声の連続する部分に対応する音声文字変換結果の連続するリスト。
total_billed_time	Duration 対応するリクエストの課金対象音声秒数（利用可能な場合）。
speech_adaptation_info	SpeechAdaptationInfo レスポンスの適応動作に関する情報を提供します
request_id	int64 リクエストに関連付けられた ID。これは、特定のリクエストに固有の一意の ID です。
using_legacy_models	bool リクエストで以前の ASR モデルが使用されたかどうか（コンフォーマー モデルを使用するように自動的に移行されなかったかどうか）。

SpeakerDiarizationConfig

話者ダイアライゼーションを有効にする構成。

フィールド
enable_speaker_diarization	bool 「true」の場合、WordInfo で提供される speaker_label を使用して、認識結果の最上位の候補にある認識された単語ごとに話者検出を有効にします。
min_speaker_count	int32 会話内の話者の最小数。この設定により、適切な話者の数をシステムが自動的に決定できるため、柔軟性が向上します。設定しない場合、デフォルト値は 2 です。
max_speaker_count	int32 会話内の話者の最大数。この設定により、適切な話者の数をシステムが自動的に決定できるため、柔軟性が向上します。設定しない場合、デフォルト値は 6 です。
speaker_tag (deprecated)	int32 この項目は非推奨です。 出力専用。使用されていません。

SpeechAdaptation

音声適応の構成。

フィールド
phrase_sets[]	PhraseSet フレーズセットのコレクション。ヒントをインラインで指定するには、フレーズセットの name を空白のままにして、残りのフィールドに入力します。どのフレーズ セットでも、任意のカスタムクラスを使用できます。
phrase_set_references[]	string 使用するフレーズ セットのリソース名のコレクション。
custom_classes[]	CustomClass カスタムクラスのコレクション。クラスをインラインで指定するには、クラスの name を空白のままにして、残りのフィールドに入力し、一意の custom_class_id を指定します。フレーズ ヒントで、インラインで定義されたクラスを custom_class_id で参照します。
abnf_grammar	ABNFGrammar Augmented Backus-Naur Form（ABNF）は、一連の導出規則で構成される標準化された文法表記です。仕様については、https://www.w3.org/TR/speech-grammar をご覧ください。

ABNFGrammar

フィールド
abnf_strings[]	string ABNF 文法のすべての宣言とルールが複数の文字列に分割され、最終的に連結されます。

SpeechAdaptationInfo

結果での音声適応の使用に関する情報

フィールド
adaptation_timeout	bool 音声適応の適用時にタイムアウトが発生したかどうか。true の場合、レスポンスの音声文字変換に適合は影響しませんでした。
timeout_message	string 設定されている場合、音声適応リクエストのどの部分がタイムアウトしたかを指定するメッセージを返します。

SpeechContext

結果の中の特定の語句を優先するように、音声認識機能に「ヒント」を提供します。

フィールド
phrases[]	string 音声認識で認識されやすくするための単語やフレーズの「ヒント」を含む文字列のリスト。これは、特定の語句の精度を向上させるために使用できます。たとえば、ユーザーによって特定のコマンドがよく話されている場合が挙げられます。また、認識機能の語彙に語句を追加するためにも使用できます。詳しくは、使用制限をご覧ください。 リスト項目は、自然言語で一般的な概念を表す単語のグループのクラスに設定することもできます。たとえば、1 年のすべての月に対してフレーズ ヒントを提供するのではなく、$MONTH クラスを使用すると、月を含む音声の文字変換が正しく行われる可能性が高まります。
boost	float ヒント ブースト。正の値を指定すると、特定のフレーズが他の類似した発音のフレーズよりも認識される可能性が高くなります。ブーストが高いほど、誤検出の可能性も高くなります。ブースト値が負の値の場合、バイアス除去に対応します。バイアス除去が有効になっていないため、負のブーストは無視されます。boost では広範囲の正の値を指定できますが、ほとんどのユースケースでは 0 ～ 20 の値が最適です。ユースケースに最適な値を見つけるには、バイナリ検索アプローチを使用することをおすすめします。

SpeechRecognitionAlternative

別の仮説（n-best リストとも呼ばれる）。

フィールド
transcript	string ユーザーが話した単語を表す音声文字変換テキスト。単語をスペースで区切る言語では、最初の結果でない場合、文字起こしの先頭にスペースが含まれることがあります。区切り文字を使用せずに、各結果を連結して完全な文字起こしを取得できます。
confidence	float 信頼度の推定値は 0.0～1.0。数値が大きいほど、認識された単語が正しい可能性が高くなります。このフィールドは、ストリーミング以外の結果の最上位の候補、または is_final=true のストリーミング結果の最上位の候補に対してのみ設定されます。このフィールドは正確であることが保証されていません。また、ユーザーはこのフィールドが常に提供されることを前提にしないでください。デフォルトの 0.0 は、confidence が設定されなかったことを示す標識値です。
words[]	WordInfo 認識された各単語の、単語固有の情報のリスト。注: enable_speaker_diarization が true の場合、音声の最初からすべての単語が表示されます。

SpeechRecognitionResult

音声の一部に対応する音声認識の結果。

フィールド
alternatives[]	SpeechRecognitionAlternative 1 つ以上の認識仮説（max_alternatives で指定された最大数まで）を含む場合があります。これらの候補は精度順に並べられ、上位（最初）の候補は、認識ツールによってランク付けされた最も可能性の高い候補です。
channel_tag	int32 マルチチャンネル音声の場合、これはそのチャンネルからの音声の認識結果に対応するチャンネル番号です。 audio_channel_count = N の場合、出力値の範囲は「1」から「N」までです。
result_end_time	Duration 音声の先頭から相対的な、この結果の終了時点の時間オフセット。
language_code	string 出力専用。この結果の言語の BCP-47 言語タグ。この言語コードは、音声内で話された可能性が高いと検出されたものです。

StreamingRecognitionConfig

認識機能にリクエストの処理方法を指定する情報を提供します。

フィールド
config	RecognitionConfig 必須。認識機能にリクエストの処理方法を指定する情報を提供します。
single_utterance	bool false または省略した場合は、クライアントが入力ストリーム（gRPC API）を閉じるか、最大時間制限に達するまで、認識ツールは継続的に認識を実行します（ユーザーが発話を一時停止した場合でも、引き続き音声を待機し、処理を続けます）。is_final フラグが true に設定された複数の StreamingRecognitionResult が返されることがあります。 true の場合は、音声認識ツールを使って 1 つの読み上げ音声が検出されます。ユーザーが発話を一時停止または停止したことを検出すると、END_OF_SINGLE_UTTERANCE イベントを返して認識を中止します。is_final フラグが true に設定された StreamingRecognitionResult が 1 つ以下返されます。 single_utterance フィールドは、指定されたモデルでのみ使用できます。それ以外の場合はエラーがスローされます。RecognitionConfig の model フィールドは、次のように設定する必要があります。 command_and_search phone_call AND 追加フィールド useEnhanced=true model フィールドは未定義のままにします。この場合、API は RecognitionConfig で設定した他のパラメータに基づいてモデルを自動的に選択します。
interim_results	bool true の場合、暫定的な結果（仮説）が利用可能になったときに返されることがあります（これらの暫定的な結果は is_final=false フラグで示されます）。false の場合、または省略した場合、is_final=true の結果のみが返されます。
enable_voice_activity_events	bool true の場合、音声アクティビティ音声イベントを含むレスポンスは、検出されたときに返されます。
voice_activity_timeout	VoiceActivityTimeout 設定されている場合、サーバーは最後の VOICE_ACTIVITY 音声イベントが送信されてから指定された時間が経過すると、ストリームを自動的に閉じます。voice_activity_events フィールドも true に設定する必要があります。

VoiceActivityTimeout

音声アクティビティのタイムアウトを設定できるイベント。

フィールド
speech_start_timeout	Duration 音声が開始されない場合にストリームをタイムアウトするまでの時間。
speech_end_timeout	Duration 音声が終了してからストリームがタイムアウトするまでの時間。

StreamingRecognitionResult

現在処理されている音声の部分に対応するストリーミング音声認識の結果。

フィールド
alternatives[]	SpeechRecognitionAlternative 1 つ以上の認識仮説（max_alternatives で指定された最大数まで）を含む場合があります。これらの候補は精度順に並べられ、上位（最初）の候補は、認識ツールによってランク付けされた最も可能性の高い候補です。
is_final	bool false の場合、この StreamingRecognitionResult は変更される可能性がある中間結果を表します。true の場合、これは音声サービスが特定の StreamingRecognitionResult を返す最後の機会であり、認識機能が変換テキストと対応する音声のこの部分に対して、これ以上の仮説が返されることはありません。
stability	float 認識機能でこの暫定的な結果についての推測が変更されない可能性の推定値。値の範囲は 0.0（完全に不安定）～1.0（完全に安定）です。このフィールドは、中間結果（is_final=false）でのみ使用できます。デフォルトの 0.0 は、stability が設定されなかったことを示す標識値です。
result_end_time	Duration 音声の先頭から相対的な、この結果の終了時点の時間オフセット。
channel_tag	int32 マルチチャンネル音声の場合、これはそのチャンネルからの音声の認識結果に対応するチャンネル番号です。 audio_channel_count = N の場合、出力値の範囲は「1」から「N」までです。
language_code	string 出力専用。この結果の言語の BCP-47 言語タグ。この言語コードは、音声内で話された可能性が高いと検出されたものです。

StreamingRecognizeRequest

StreamingRecognize メソッド向けにクライアントから送信される最上位レベルのメッセージ。複数の StreamingRecognizeRequest メッセージが送信されます。最初のメッセージには必ず streaming_config メッセージが含まれ、audio_content が含まれることはありません。後続のすべてのメッセージには必ず audio_content が含まれ、streaming_config メッセージが含まれることはありません。

フィールド
共用体フィールド streaming_request。ストリーミング リクエスト。ストリーミング構成または音声コンテンツのいずれかです。streaming_request は次のいずれかになります。
streaming_config	StreamingRecognitionConfig 認識機能にリクエストの処理方法を指定する情報を提供します。最初の StreamingRecognizeRequest メッセージには streaming_config メッセージを含める必要があります。
audio_content	bytes 認識する音声データ。音声データの連続したチャンクは、連続した StreamingRecognizeRequest メッセージで送信されます。最初の StreamingRecognizeRequest メッセージには audio_content データが含まれることはありません。また、後続のすべての StreamingRecognizeRequest メッセージには必ず audio_content データが含まれます。音声バイトは RecognitionConfig で指定されたとおりにエンコードされる必要があります。注: すべてのバイト フィールドと同様に、proto バッファでは（base64 ではなく）純 2 進表現を使用します。コンテンツの上限をご覧ください。

StreamingRecognizeResponse

StreamingRecognizeResponse は、StreamingRecognize によってクライアントに返される唯一のメッセージです。一連のゼロ個以上の StreamingRecognizeResponse メッセージがクライアントにストリーミングされます。認識可能な音声がなく、single_utterance が false に設定されている場合、メッセージはクライアントにストリーミングされません。

音声の処理中に返される一連の StreamingRecognizeResponse の例を次に示します。

1. results { alternatives { transcript: "tube" } 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 }

注:

• 上記のレスポンスのうち、#4 と #7 の 2 つにのみ最終結果が含まれます。これらは is_final: true で示されています。これらの結果を連結することで、完全な音声文字変換テキスト「to be or not to be that is the question」が生成されます。

• その他には中間 results が含まれています。#3 と #6 には 2 つの暫定的 results が含まれています。最初の部分は安定性が高く、変更される可能性は低くなります。2 つ目の部分は安定性が低く、変更される可能性が高くなります。UI デザイナーは、安定性の高い results のみを表示することを選択する場合があります。

• 上記の stability と confidence の値は、説明のみを目的としています。実際の値はこれとは異なる場合があります。

• 各レスポンスでは、次のフィールドの1つのみが設定されます: error、speech_event_type、または 1 つ以上の（繰り返し）results

フィールド
error	Status 設定されている場合、オペレーションのエラーを指定する google.rpc.Status メッセージを返します。
results[]	StreamingRecognitionResult この繰り返しリストには、現在処理されている音声の連続する部分に対応する、ゼロ個以上の結果が含まれます。ゼロまたは 1 つの is_final=true 結果（新しく解決された部分）に続いて、ゼロまたはそれ以上の is_final=false 結果（暫定的結果）が続きます。
speech_event_type	SpeechEventType speech イベントのタイプを示します。
speech_event_time	Duration 音声の開始とイベント出力の間のタイム オフセット。
total_billed_time	Duration 利用可能な場合、ストリームの課金対象音声秒数。ストリームの最後のレスポンスの場合にのみ設定します。
speech_adaptation_info	SpeechAdaptationInfo レスポンスの適応動作に関する情報を提供します
request_id	int64 リクエストに関連付けられた ID。これは、特定のリクエストに固有の一意の ID です。

SpeechEventType

speech イベントのタイプを示します。

列挙型
SPEECH_EVENT_UNSPECIFIED	speech イベントが指定されていません。
END_OF_SINGLE_UTTERANCE	このイベントは、サーバーがユーザーの発話の終わりを検出し、これ以上発話が続くことはないと推測したことを示します。したがって、サーバーは追加の音声を処理しません（ただし、後で追加の結果を返すことがあります）。クライアントは追加の音声データの送信を停止し、gRPC 接続を半分閉じて、サーバーが gRPC 接続を閉じるまで追加の結果を待機する必要があります。このイベントは、single_utterance が true に設定されている場合にのみ送信され、それ以外の場合には使用されません。
SPEECH_ACTIVITY_BEGIN	このイベントは、サーバーがストリーム内の人間の音声アクティビティの開始を検出したことを示します。ストリーム全体で音声の開始と停止が繰り返される場合、このイベントが複数回返されることがあります。このイベントは、voice_activity_events が true に設定されている場合にのみ送信されます。
SPEECH_ACTIVITY_END	このイベントは、サーバーがストリーム内の人間の音声アクティビティの終了を検出したことを示します。ストリーム全体で音声の開始と停止が繰り返される場合、このイベントが複数回返されることがあります。このイベントは、voice_activity_events が true に設定されている場合にのみ送信されます。
SPEECH_ACTIVITY_TIMEOUT	このイベントは、音声アクティビティの開始または終了のユーザー設定のタイムアウトを超えたことを示します。このイベントを受信すると、クライアントはハーフクローズを送信することが想定されます。それ以降の音声は処理されません。

TranscriptNormalization

文字起こし正規化の構成。文字起こし正規化を使用すると、文字起こしの部分を任意のフレーズに自動的に置き換えることができます。StreamingRecognize の場合、この正規化は安定した部分的な文字起こし（安定性 > 0.8）と最終的な文字起こしにのみ適用されます。

フィールド
entries[]	Entry 置換エントリのリスト。交換は 1 回のエントリで 1 つずつ行います。たとえば、["cat" => "dog", "mountain cat" => "mountain dog"] の 2 番目のエントリは、常に最初のエントリが処理されるため、適用されません。最大 100 個のエントリ。

エントリ

単一の置換構成。

フィールド
search	string 置き換える内容。最大長は 100 文字です。
replace	string 置き換える内容。最大長は 100 文字です。
case_sensitive	bool 検索で大文字と小文字が区別されるかどうか。

TranscriptOutputConfig

認識結果の宛先を指定します（省略可）。

フィールド
共用体フィールド output_type。 output_type は次のいずれかになります。
gcs_uri	string 認識結果の Cloud Storage URI を指定します。gs://bucket_name/object_name の形式で指定する必要があります。また、バケットはすでに存在している必要があります。

UpdateCustomClassRequest

UpdateCustomClass メソッド向けにクライアントから送信されるメッセージ。

フィールド
custom_class	CustomClass 必須。更新するカスタムクラス。 カスタムクラスの name フィールドは、更新するカスタムクラスを識別するために使用されます。形式: projects/{project}/locations/{location}/customClasses/{custom_class} Speech-to-Text は、global、us（米国北米）、eu（ヨーロッパ）の 3 つのロケーションをサポートしています。speech.googleapis.com エンドポイントを呼び出す場合は、global ロケーションを使用します。リージョンを指定するには、一致する us または eu のロケーション値を持つリージョン エンドポイントを使用します。 認可には、指定されたリソース customClass に対する次の IAM の権限が必要です。 speech.customClasses.update
update_mask	FieldMask 更新するフィールドのリスト。

UpdatePhraseSetRequest

UpdatePhraseSet メソッド向けにクライアントから送信されるメッセージ。

フィールド
phrase_set	PhraseSet 必須。更新するフレーズ セット。 フレーズ セットの name フィールドは、更新するセットを識別するために使用されます。形式: projects/{project}/locations/{location}/phraseSets/{phrase_set} Speech-to-Text は、global、us（米国北米）、eu（ヨーロッパ）の 3 つのロケーションをサポートしています。speech.googleapis.com エンドポイントを呼び出す場合は、global ロケーションを使用します。リージョンを指定するには、一致する us または eu のロケーション値を持つリージョン エンドポイントを使用します。 認可には、指定されたリソース phraseSet に対する次の IAM の権限が必要です。 speech.phraseSets.update
update_mask	FieldMask 更新するフィールドのリスト。

WordInfo

認識された単語の単語固有の情報。

フィールド
start_time	Duration 単語の発話の開始時点に対応する、音声の先頭からの相対的な時間オフセット。このフィールドは、enable_word_time_offsets=true であり、かつ最上位の仮説にのみ設定されます。これは試験運用中の機能であり、時間オフセットの精度は変更される可能性があります。
end_time	Duration 単語の発話の終了時点に対応する、音声の先頭からの相対的な時間オフセット。このフィールドは、enable_word_time_offsets=true であり、かつ最上位の仮説にのみ設定されます。これは試験運用中の機能であり、時間オフセットの精度は変更される可能性があります。
word	string この情報セットに対応する単語。
confidence	float 信頼度の推定値は 0.0～1.0。数値が大きいほど、認識された単語が正しい可能性が高くなります。このフィールドは、ストリーミング以外の結果の最上位の候補、または is_final=true のストリーミング結果の最上位の候補に対してのみ設定されます。このフィールドは正確であることが保証されていません。また、ユーザーはこのフィールドが常に提供されることを前提にしないでください。デフォルトの 0.0 は、confidence が設定されなかったことを示す標識値です。
speaker_tag (deprecated)	int32 この項目は非推奨です。 出力専用。個別の整数値が音声内のすべての話者に割り当てられます。このフィールドは、この単語を発したと検出されたのが、話者のうちの誰であるかを指定します。値の範囲は 1 から diarization_speaker_count までです。speaker_tag は、enable_speaker_diarization = 'true' の場合、かつ上位の変換候補に対してのみ設定されます。注: 代わりに speaker_label を使用してください。
speaker_label	string 出力専用。音声内の各話者に割り当てられたラベル値。このフィールドには、この単語を発話したと検出された話者を指定します。medical_conversation などの一部のモデルでは、これは実際の話者の役割（「患者」や「医療従事者」など）になりますが、通常は話者を識別する数値になります。このフィールドは、enable_speaker_diarization = 'true' の場合にのみ、最上位の候補に対してのみ設定されます。