Package google.cloud.speech.v1p1beta1

Índice

• Adaptation (interface)
• Speech (interface)
• CreateCustomClassRequest (mensagem)
• CreatePhraseSetRequest (mensagem)
• CustomClass (mensagem)
• CustomClass.ClassItem (mensagem)
• CustomClass.State (enum)
• DeleteCustomClassRequest (mensagem)
• DeletePhraseSetRequest (mensagem)
• GetCustomClassRequest (mensagem)
• GetPhraseSetRequest (mensagem)
• ListCustomClassesRequest (mensagem)
• ListCustomClassesResponse (mensagem)
• ListPhraseSetRequest (mensagem)
• ListPhraseSetResponse (mensagem)
• LongRunningRecognizeMetadata (mensagem)
• LongRunningRecognizeRequest (mensagem)
• LongRunningRecognizeResponse (mensagem)
• PhraseSet (mensagem)
• PhraseSet.Phrase (mensagem)
• PhraseSet.State (enum)
• RecognitionAudio (mensagem)
• RecognitionConfig (mensagem)
• RecognitionConfig.AudioEncoding (enum)
• RecognitionMetadata (mensagem) (descontinuado)
• RecognitionMetadata.InteractionType (enum)
• RecognitionMetadata.MicrophoneDistance (enum)
• RecognitionMetadata.OriginalMediaType (enum)
• RecognitionMetadata.RecordingDeviceType (enum)
• RecognizeRequest (mensagem)
• RecognizeResponse (mensagem)
• SpeakerDiarizationConfig (mensagem)
• SpeechAdaptation (mensagem)
• SpeechAdaptation.ABNFGrammar (mensagem)
• SpeechAdaptationInfo (mensagem)
• SpeechContext (mensagem)
• SpeechRecognitionAlternative (mensagem)
• SpeechRecognitionResult (mensagem)
• StreamingRecognitionConfig (mensagem)
• StreamingRecognitionConfig.VoiceActivityTimeout (mensagem)
• StreamingRecognitionResult (mensagem)
• StreamingRecognizeRequest (mensagem)
• StreamingRecognizeResponse (mensagem)
• StreamingRecognizeResponse.SpeechEventType (enum)
• TranscriptNormalization (mensagem)
• TranscriptNormalization.Entry (mensagem)
• TranscriptOutputConfig (mensagem)
• UpdateCustomClassRequest (mensagem)
• UpdatePhraseSetRequest (mensagem)
• WordInfo (mensagem)

Adaptação

Serviço que implementa a API Google Cloud Speech Adaptation.

CreateCustomClass
rpc CreateCustomClass(CreateCustomClassRequest) returns (CustomClass) Crie uma aula personalizada. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

CreatePhraseSet

rpc CreatePhraseSet(CreatePhraseSetRequest) returns (PhraseSet) Crie um conjunto de sugestões de expressões. Cada item no conjunto pode ser uma única palavra ou uma expressão com várias palavras. Os itens no PhraseSet são favorecidos pelo modelo de reconhecimento quando envia uma chamada que inclui o PhraseSet. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

DeleteCustomClass
rpc DeleteCustomClass(DeleteCustomClassRequest) returns (Empty) Elimine uma classe personalizada. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

DeletePhraseSet
rpc DeletePhraseSet(DeletePhraseSetRequest) returns (Empty) Elimine um conjunto de expressões. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

GetCustomClass
rpc GetCustomClass(GetCustomClassRequest) returns (CustomClass) Obtenha uma aula personalizada. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

GetPhraseSet
rpc GetPhraseSet(GetPhraseSetRequest) returns (PhraseSet) Receber um conjunto de expressões. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

ListCustomClasses
rpc ListCustomClasses(ListCustomClassesRequest) returns (ListCustomClassesResponse) Liste as classes personalizadas. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

ListPhraseSet
rpc ListPhraseSet(ListPhraseSetRequest) returns (ListPhraseSetResponse) Listar conjuntos de expressões. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

UpdateCustomClass
rpc UpdateCustomClass(UpdateCustomClassRequest) returns (CustomClass) Atualize uma turma personalizada. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

UpdatePhraseSet
rpc UpdatePhraseSet(UpdatePhraseSetRequest) returns (PhraseSet) Atualize um conjunto de expressões. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

Voz

Serviço que implementa a API Google Cloud Speech.

LongRunningRecognize

rpc LongRunningRecognize(LongRunningRecognizeRequest) returns (Operation) Realiza o reconhecimento de voz assíncrono: recebe resultados através da interface google.longrunning.Operations. Devolve um Operation.error ou um Operation.response que contém uma mensagem LongRunningRecognizeResponse. Para mais informações sobre o reconhecimento de voz assíncrono, consulte o procedimento. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

Reconhece
rpc Recognize(RecognizeRequest) returns (RecognizeResponse) Realiza o reconhecimento de voz síncrono: recebe resultados depois de todo o áudio ter sido enviado e processado. Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

StreamingRecognize

rpc StreamingRecognize(StreamingRecognizeRequest) returns (StreamingRecognizeResponse) Realiza o reconhecimento de voz em streaming bidirecional: recebe resultados enquanto envia áudio. Este método só está disponível através da API gRPC (não REST). Âmbitos de autorização Requer o seguinte âmbito do OAuth: https://www.googleapis.com/auth/cloud-platform Para mais informações, consulte o Authentication Overview.

CreateCustomClassRequest

Mensagem enviada pelo cliente para o método CreateCustomClass.

Campos
parent	string Obrigatório. O recurso principal onde esta classe personalizada vai ser criada. Formato: projects/{project}/locations/{location}/customClasses A funcionalidade de conversão de voz em texto suporta três localizações: global, us (América do Norte dos EUA) e eu (Europa). Se estiver a chamar o ponto final speech.googleapis.com, use a localização global. Para especificar uma região, use um ponto final regional com o valor de localização us ou eu correspondente. A autorização requer a seguinte autorização de IAM no recurso especificado parent: speech.customClasses.create
custom_class_id	string Obrigatório. O ID a usar para a classe personalizada, que se torna o componente final do nome do recurso da classe personalizada. Este valor deve restringir-se a letras, números e hífenes, com o primeiro caráter a ser uma letra, o último a ser uma letra ou um número, e ter entre 4 e 63 carateres.
custom_class	CustomClass Obrigatório. A classe personalizada a criar.

CreatePhraseSetRequest

Mensagem enviada pelo cliente para o método CreatePhraseSet.

Campos
parent	string Obrigatório. O recurso principal onde este conjunto de expressões vai ser criado. Formato: projects/{project}/locations/{location} A funcionalidade de conversão de voz em texto suporta três localizações: global, us (América do Norte dos EUA) e eu (Europa). Se estiver a chamar o ponto final speech.googleapis.com, use a localização global. Para especificar uma região, use um ponto final regional com o valor de localização us ou eu correspondente. A autorização requer a seguinte autorização de IAM no recurso especificado parent: speech.phraseSets.create
phrase_set_id	string Obrigatório. O ID a usar para o conjunto de expressões, que se torna o componente final do nome do recurso do conjunto de expressões. Este valor deve restringir-se a letras, números e hífenes, com o primeiro caráter a ser uma letra, o último a ser uma letra ou um número, e ter entre 4 e 63 carateres.
phrase_set	PhraseSet Obrigatório. A expressão definida para criar.

CustomClass

Um conjunto de palavras ou expressões que representam um conceito comum que provavelmente aparece no seu áudio, por exemplo, uma lista de nomes de navios de passageiros. Os itens CustomClass podem ser substituídos em marcadores de posição que define em expressões PhraseSet.

Campos
name	string O nome do recurso da classe personalizada.
custom_class_id	string Se esta classe personalizada for um recurso, o custom_class_id é o ID do recurso da CustomClass. Sensível a maiúsculas e minúsculas.
items[]	ClassItem Uma coleção de itens de classe.
kms_key_name	string Apenas saída. O nome da chave do KMS com a qual o conteúdo do ClassItem está encriptado. O formato esperado é projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key}.
kms_key_version_name	string Apenas saída. O nome da versão da chave do KMS com a qual o conteúdo do ClassItem está encriptado. O formato esperado é projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key}/cryptoKeyVersions/{crypto_key_version}.
uid	string Apenas saída. Identificador exclusivo atribuído pelo sistema para o CustomClass. Este campo não é usado.
display_name	string Apenas saída. Nome legível e configurável pelo utilizador para a CustomClass. Tem de ter 63 carateres ou menos. Este campo não é usado.
state	State Apenas saída. O estado do ciclo de vida de CustomClass. Este campo não é usado.
delete_time	Timestamp Apenas saída. A hora em que este recurso foi pedido para eliminação. Este campo não é usado.
expire_time	Timestamp Apenas saída. A hora em que este recurso vai ser anulado. Este campo não é usado.
annotations	map<string, string> Apenas saída. Permite que os utilizadores armazenem pequenas quantidades de dados arbitrários. Tanto a chave como o valor têm de ter, no máximo, 63 carateres. No máximo, 100 anotações. Este campo não é usado.
etag	string Apenas saída. Esta soma de verificação é calculada pelo servidor com base no valor de outros campos. Isto pode ser enviado em pedidos de atualização, anulação da eliminação e eliminação para garantir que o cliente tem um valor atualizado antes de continuar. Este campo não é usado.
reconciling	bool Apenas saída. Indica se esta CustomClass está ou não em processo de atualização. Este campo não é usado.

ClassItem

Um item da classe.

Campos
value	string O valor do artigo da classe.

Estado

Conjunto de estados que definem o ciclo de vida de uma CustomClass.

Enumerações
STATE_UNSPECIFIED	Estado não especificado. Isto só é usado/útil para distinguir valores não definidos.
ACTIVE	O estado normal e ativo.
DELETED	Esta CustomClass foi eliminada.

DeleteCustomClassRequest

Mensagem enviada pelo cliente para o método DeleteCustomClass.

Campos

name

string Obrigatório. O nome da classe personalizada a eliminar. Formato: projects/{project}/locations/{location}/customClasses/{custom_class} A funcionalidade de conversão de voz em texto suporta três localizações: global, us (América do Norte dos EUA) e eu (Europa). Se estiver a chamar o ponto final speech.googleapis.com, use a localização global. Para especificar uma região, use um ponto final regional com o valor de localização us ou eu correspondente. A autorização requer a seguinte autorização de IAM no recurso especificado name: speech.customClasses.delete

DeletePhraseSetRequest

Mensagem enviada pelo cliente para o método DeletePhraseSet.

Campos
name	string Obrigatório. O nome do conjunto de expressões a eliminar. Formato: projects/{project}/locations/{location}/phraseSets/{phrase_set} A autorização requer a seguinte autorização de IAM no recurso especificado name: speech.phraseSets.delete

GetCustomClassRequest

Mensagem enviada pelo cliente para o método GetCustomClass.

Campos
name	string Obrigatório. O nome da classe personalizada a obter. Formato: projects/{project}/locations/{location}/customClasses/{custom_class} A autorização requer a seguinte autorização de IAM no recurso especificado name: speech.customClasses.get

GetPhraseSetRequest

Mensagem enviada pelo cliente para o método GetPhraseSet.

Campos

name

string Obrigatório. O nome do conjunto de expressões a obter. Formato: projects/{project}/locations/{location}/phraseSets/{phrase_set} A funcionalidade de conversão de voz em texto suporta três localizações: global, us (América do Norte dos EUA) e eu (Europa). Se estiver a chamar o ponto final speech.googleapis.com, use a localização global. Para especificar uma região, use um ponto final regional com o valor de localização us ou eu correspondente. A autorização requer a seguinte autorização de IAM no recurso especificado name: speech.phraseSets.get

ListCustomClassesRequest

Mensagem enviada pelo cliente para o método ListCustomClasses.

Campos
parent	string Obrigatório. O elemento principal, que é proprietário desta coleção de classes personalizadas. Formato: projects/{project}/locations/{location}/customClasses A funcionalidade de conversão de voz em texto suporta três localizações: global, us (América do Norte dos EUA) e eu (Europa). Se estiver a chamar o ponto final speech.googleapis.com, use a localização global. Para especificar uma região, use um ponto final regional com o valor de localização us ou eu correspondente. A autorização requer a seguinte autorização de IAM no recurso especificado parent: speech.customClasses.list
page_size	int32 O número máximo de classes personalizadas a devolver. O serviço pode devolver um número inferior a este valor. Se não for especificado, são devolvidas, no máximo, 50 classes personalizadas. O valor máximo é 1000. Os valores superiores a 1000 são convertidos para 1000.
page_token	string Um token de página, recebido de uma chamada ListCustomClass anterior. Faculte este valor para obter a página seguinte. Quando paginar, todos os outros parâmetros fornecidos a ListCustomClass têm de corresponder à chamada que forneceu o token da página.

ListCustomClassesResponse

Mensagem devolvida ao cliente pelo método ListCustomClasses.

Campos
custom_classes[]	CustomClass As classes personalizadas.
next_page_token	string Um token que pode ser enviado como page_token para obter a página seguinte. Se este campo for omitido, não existem páginas subsequentes.

ListPhraseSetRequest

Mensagem enviada pelo cliente para o método ListPhraseSet.

Campos
parent	string Obrigatório. O principal, que é proprietário desta coleção de conjuntos de expressões. Formato: projects/{project}/locations/{location} A funcionalidade de conversão de voz em texto suporta três localizações: global, us (América do Norte dos EUA) e eu (Europa). Se estiver a chamar o ponto final speech.googleapis.com, use a localização global. Para especificar uma região, use um ponto final regional com o valor de localização us ou eu correspondente. A autorização requer a seguinte autorização de IAM no recurso especificado parent: speech.phraseSets.list
page_size	int32 O número máximo de conjuntos de expressões a devolver. O serviço pode devolver um número inferior a este valor. Se não for especificado, são devolvidos, no máximo, 50 conjuntos de expressões. O valor máximo é 1000. Os valores superiores a 1000 são convertidos para 1000.
page_token	string Um token de página, recebido de uma chamada ListPhraseSet anterior. Faculte este valor para obter a página seguinte. Quando paginar, todos os outros parâmetros fornecidos a ListPhraseSet têm de corresponder à chamada que forneceu o token da página.

ListPhraseSetResponse

Mensagem devolvida ao cliente pelo método ListPhraseSet.

Campos
phrase_sets[]	PhraseSet A expressão foi definida.
next_page_token	string Um token que pode ser enviado como page_token para obter a página seguinte. Se este campo for omitido, não existem páginas subsequentes.

LongRunningRecognizeMetadata

Descreve o progresso de uma chamada de execução prolongada LongRunningRecognize. Está incluído no campo metadata do Operation devolvido pela chamada GetOperation do serviço google::longrunning::Operations.

Campos
progress_percent	int32 Percentagem aproximada de áudio processado até agora. Garantido que é 100 quando o áudio é totalmente processado e os resultados estão disponíveis.
start_time	Timestamp Hora em que o pedido foi recebido.
last_update_time	Timestamp Hora da atualização de processamento mais recente.
uri	string Apenas saída. O URI do ficheiro de áudio que está a ser transcrito. Vazio se o áudio tiver sido enviado como conteúdo de bytes.
output_config	TranscriptOutputConfig Apenas saída. Uma cópia do TranscriptOutputConfig, se tiver sido definido no pedido.

LongRunningRecognizeRequest

A mensagem de nível superior enviada pelo cliente para o método LongRunningRecognize.

Campos
config	RecognitionConfig Obrigatório. Fornece informações ao reconhecedor que especificam como processar o pedido.
audio	RecognitionAudio Obrigatório. Os dados de áudio a serem reconhecidos.
output_config	TranscriptOutputConfig Opcional. Especifica um destino opcional para os resultados do reconhecimento.

LongRunningRecognizeResponse

A única mensagem devolvida ao cliente pelo método LongRunningRecognize. Contém o resultado como zero ou mais mensagens SpeechRecognitionResult sequenciais. Está incluído no campo result.response do Operation devolvido pela chamada GetOperation do serviço google::longrunning::Operations.

Campos
results[]	SpeechRecognitionResult Lista sequencial de resultados da transcrição correspondentes a partes sequenciais do áudio.
total_billed_time	Duration Quando disponíveis, segundos de áudio faturados para o pedido correspondente.
output_config	TranscriptOutputConfig Configuração de saída original, se estiver presente no pedido.
output_error	Status Se a saída da transcrição falhar, este campo contém o erro relevante.
speech_adaptation_info	SpeechAdaptationInfo Fornece informações sobre o comportamento de adaptação da voz na resposta
request_id	int64 O ID associado ao pedido. Este é um ID exclusivo específico apenas do pedido em questão.

PhraseSet

Fornece "sugestões" ao reconhecedor de voz para favorecer palavras e expressões específicas nos resultados.

Campos
name	string O nome do recurso do conjunto de expressões.
phrases[]	Phrase Uma lista de palavras e expressões.
boost	float Hint Boost. Um valor positivo aumenta a probabilidade de uma expressão específica ser reconhecida em detrimento de outras expressões com um som semelhante. Quanto maior for o aumento, maior é a probabilidade de reconhecimento de falsos positivos. Os valores de aumento negativos correspondem à eliminação de parcialidade. A funcionalidade de eliminação de parcialidades não está ativada, pelo que o aumento negativo é simplesmente ignorado. Embora boost possa aceitar uma vasta gama de valores positivos, a maioria dos exemplos de utilização é melhor servida com valores entre 0 (exclusivo) e 20. Recomendamos que use uma abordagem de pesquisa binária para encontrar o valor ideal para o seu exemplo de utilização, bem como adicionar expressões com e sem aumento aos seus pedidos.
kms_key_name	string Apenas saída. O nome da chave do KMS com a qual o conteúdo do PhraseSet está encriptado. O formato esperado é projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key}.
kms_key_version_name	string Apenas saída. O nome da versão da chave do KMS com a qual o conteúdo do PhraseSet está encriptado. O formato esperado é projects/{project}/locations/{location}/keyRings/{key_ring}/cryptoKeys/{crypto_key}/cryptoKeyVersions/{crypto_key_version}.
uid	string Apenas saída. Identificador exclusivo atribuído pelo sistema para o PhraseSet. Este campo não é usado.
display_name	string Apenas saída. Nome legível definido pelo utilizador para o PhraseSet. Tem de ter 63 carateres ou menos. Este campo não é usado.
state	State Apenas saída. O estado do ciclo de vida de CustomClass. Este campo não é usado.
delete_time	Timestamp Apenas saída. A hora em que este recurso foi pedido para eliminação. Este campo não é usado.
expire_time	Timestamp Apenas saída. A hora em que este recurso vai ser anulado. Este campo não é usado.
annotations	map<string, string> Apenas saída. Permite que os utilizadores armazenem pequenas quantidades de dados arbitrários. Tanto a chave como o valor têm de ter, no máximo, 63 carateres. No máximo, 100 anotações. Este campo não é usado.
etag	string Apenas saída. Esta soma de verificação é calculada pelo servidor com base no valor de outros campos. Isto pode ser enviado em pedidos de atualização, anulação da eliminação e eliminação para garantir que o cliente tem um valor atualizado antes de continuar. Este campo não é usado.
reconciling	bool Apenas saída. Indica se este PhraseSet está ou não em processo de atualização. Este campo não é usado.

Expressão

Frases que contêm palavras e "sugestões" de expressões para que o reconhecimento de voz tenha maior probabilidade de as reconhecer. Isto pode ser usado para melhorar a precisão de palavras e expressões específicas, por exemplo, se comandos específicos forem normalmente falados pelo utilizador. Também pode usar esta funcionalidade para adicionar palavras adicionais ao vocabulário do reconhecedor. Consulte os limites de utilização.

Os itens da lista também podem incluir classes pré-criadas ou personalizadas que contêm grupos de palavras que representam conceitos comuns que ocorrem na linguagem natural. Por exemplo, em vez de fornecer uma sugestão de expressão para todos os meses do ano (por exemplo, "nasci em janeiro", "nasci em fevereiro", …), a utilização da classe $MONTH pré-criada melhora a probabilidade de transcrever corretamente o áudio que inclui meses (por exemplo, "nasci em $month"). Para se referir a classes pré-criadas, use o símbolo de classe precedido de $, por exemplo, $MONTH. Para fazer referência a classes personalizadas que foram definidas inline no pedido, defina o custom_class_id da classe como uma string exclusiva para todos os recursos de classe e classes inline. Em seguida, use o ID da classe envolvido em ${...}, por exemplo, "${my-months}". Para fazer referência a recursos de classes personalizadas, use o ID da classe entre ${} (por exemplo, ${my-months}).

A funcionalidade de conversão de voz em texto suporta três localizações: global, us (América do Norte dos EUA) e eu (Europa). Se estiver a chamar o ponto final speech.googleapis.com, use a localização global. Para especificar uma região, use um ponto final regional com o valor de localização us ou eu correspondente.

Campos
value	string A própria expressão.
boost	float Hint Boost. Substitui o aumento definido ao nível do conjunto de expressões. Um valor positivo aumenta a probabilidade de uma expressão específica ser reconhecida em detrimento de outras expressões com um som semelhante. Quanto maior for o aumento, maior é a probabilidade de reconhecimento de falsos positivos. O aumento negativo é simplesmente ignorado. Embora boost possa aceitar uma vasta gama de valores positivos, a maioria dos exemplos de utilização é melhor servida com valores entre 0 e 20. Recomendamos que use uma abordagem de pesquisa binária para encontrar o valor ideal para o seu exemplo de utilização, bem como adicionar expressões com e sem aumento aos seus pedidos.

Estado

Conjunto de estados que definem o ciclo de vida de uma CustomClass.

Enumerações
STATE_UNSPECIFIED	Estado não especificado. Isto só é usado/útil para distinguir valores não definidos.
ACTIVE	O estado normal e ativo.
DELETED	Esta CustomClass foi eliminada.

RecognitionAudio

Contém dados de áudio na codificação especificada no elemento RecognitionConfig. Tem de fornecer content ou uri. O fornecimento de ambas ou nenhuma das informações devolve google.rpc.Code.INVALID_ARGUMENT. Consulte os limites de conteúdo.

Campos
Campo de união audio_source. A origem de áudio, que é conteúdo inline ou um URI do Google Cloud Storage. audio_source só pode ser uma das seguintes opções:
content	bytes Os bytes de dados de áudio codificados conforme especificado em RecognitionConfig. Nota: tal como acontece com todos os campos de bytes, os buffers de protocolo usam uma representação binária pura, enquanto as representações JSON usam base64.
uri	string URI que aponta para um ficheiro que contém bytes de dados de áudio, conforme especificado em RecognitionConfig. O ficheiro não pode estar comprimido (por exemplo, gzip). Atualmente, apenas são suportados URIs do Google Cloud Storage, que têm de ser especificados no seguinte formato: gs://bucket_name/object_name (outros formatos de URI devolvem google.rpc.Code.INVALID_ARGUMENT). Para mais informações, consulte URIs de pedidos.

RecognitionConfig

Fornece informações ao reconhecedor que especificam como processar o pedido.

Campos
encoding	AudioEncoding Codificação dos dados de áudio enviados em todas as mensagens RecognitionAudio. Este campo é opcional para ficheiros de áudio FLAC e WAV e obrigatório para todos os outros formatos de áudio. Para mais detalhes, consulte AudioEncoding.
sample_rate_hertz	int32 Taxa de amostragem em Hertz dos dados de áudio enviados em todas as mensagens RecognitionAudio. Os valores válidos são: 8000 a 48 000. 16000 é o valor ideal. Para ter os melhores resultados, defina a taxa de amostragem da fonte de áudio para 16 000 Hz. Se tal não for possível, use a taxa de amostragem nativa da fonte de áudio (em vez de voltar a fazer a amostragem). Este campo é opcional para ficheiros de áudio FLAC e WAV, mas é obrigatório para todos os outros formatos de áudio. Para mais detalhes, consulte AudioEncoding.
audio_channel_count	int32 O número de canais nos dados de áudio de entrada. Defina esta opção APENAS para o reconhecimento MULTICANAL. Os valores válidos para LINEAR16, OGG_OPUS e FLAC são 1-8. O valor válido para MULAW, AMR, AMR_WB e SPEEX_WITH_HEADER_BYTE é apenas 1. Se for 0 ou omitido, a predefinição é um canal (mono). Nota: por predefinição, apenas reconhecemos o primeiro canal. Para realizar o reconhecimento independente em cada canal, defina enable_separate_recognition_per_channel como "true".
enable_separate_recognition_per_channel	bool Tem de definir este valor como true explicitamente e audio_channel_count > 1 para que cada canal seja reconhecido separadamente. O resultado do reconhecimento contém um campo channel_tag para indicar a que canal pertence esse resultado. Se esta condição não for verdadeira, só reconhecemos o primeiro canal. O pedido é faturado cumulativamente para todos os canais reconhecidos: audio_channel_count multiplicado pela duração do áudio.
language_code	string Obrigatório. O idioma do áudio fornecido como uma etiqueta de idioma BCP-47. Exemplo: "en-US". Consulte o artigo Suporte de idiomas para ver uma lista dos códigos de idiomas atualmente suportados.
alternative_language_codes[]	string Uma lista de até 3 etiquetas de idioma BCP-47 adicionais, que indicam possíveis idiomas alternativos do áudio fornecido. Consulte o artigo Suporte de idiomas para ver uma lista dos códigos de idiomas atualmente suportados. Se forem indicados idiomas alternativos, o resultado do reconhecimento vai conter o reconhecimento no idioma mais provável detetado, incluindo o idioma_code principal. O resultado do reconhecimento inclui a etiqueta de idioma do idioma detetado no áudio. Nota: esta funcionalidade só é suportada para exemplos de utilização de comandos de voz e pesquisa por voz, e o desempenho pode variar para outros exemplos de utilização (por exemplo, transcrição de chamadas telefónicas).
max_alternatives	int32 Número máximo de hipóteses de reconhecimento a devolver. Especificamente, o número máximo de mensagens SpeechRecognitionAlternative em cada SpeechRecognitionResult. O servidor pode devolver menos de max_alternatives. Os valores válidos são 0-30. Um valor de 0 ou 1 devolve um máximo de um. Se for omitido, devolve um máximo de um.
profanity_filter	bool Se estiver definido como true, o servidor tenta filtrar as obscenidades, substituindo todos os carateres, exceto o inicial, em cada palavra filtrada por asteriscos, por exemplo, "f***". Se for definido como false ou omitido, as obscenidades não são filtradas.
adaptation	SpeechAdaptation A configuração da adaptação de voz melhora a precisão do reconhecimento de voz. Para mais informações, consulte a documentação sobre a adaptação de voz. Quando a adaptação da voz está definida, substitui o campo speech_contexts.
transcript_normalization	TranscriptNormalization Opcional. Use a normalização da transcrição para substituir automaticamente partes da transcrição por expressões à sua escolha. Para o StreamingRecognize, esta normalização aplica-se apenas a transcrições parciais estáveis (estabilidade > 0,8) e transcrições finais.
speech_contexts[]	SpeechContext Matriz de SpeechContext. Um meio de fornecer contexto para ajudar o reconhecimento de voz. Para mais informações, consulte o artigo sobre a adaptação da voz.
enable_word_time_offsets	bool Se true, o resultado principal inclui uma lista de palavras e os desvios de tempo de início e fim (indicações de tempo) dessas palavras. Se false, não são devolvidas informações de deslocamento de tempo ao nível da palavra. A predefinição é false.
enable_word_confidence	bool Se true, o resultado principal inclui uma lista de palavras e a confiança para essas palavras. Se false, não são devolvidas informações de confiança ao nível da palavra. A predefinição é false.
enable_automatic_punctuation	bool Se for "true", adiciona pontuação às hipóteses de resultados de reconhecimento. Esta funcionalidade só está disponível em determinados idiomas. A definição desta opção para pedidos noutros idiomas não tem qualquer efeito. O valor predefinido "false" não adiciona pontuação às hipóteses de resultados.
enable_spoken_punctuation	BoolValue O comportamento de pontuação falada para a chamada.Se não for definido, usa o comportamento predefinido com base no modelo escolhido, por exemplo, command_and_search ativa a pontuação falada por predefinição. Se for "true", substitui a pontuação falada pelos símbolos correspondentes no pedido. Por exemplo, "how are you question mark" torna-se "how are you?". Consulte https://cloud.google.com/speech-to-text/docs/spoken-punctuation para obter apoio técnico. Se for "false", a pontuação falada não é substituída.
enable_spoken_emojis	BoolValue O comportamento dos emojis falados para a chamada. Se não estiver definido, usa o comportamento predefinido com base no modelo escolhido. Se for "true", adiciona a formatação de emojis falados para o pedido. Esta ação substitui os emojis falados pelos símbolos Unicode correspondentes na transcrição final. Se for "false", os emojis falados não são substituídos.
enable_speaker_diarization (deprecated)	bool Este item foi descontinuado! Se for "true", ativa a deteção de interlocutores para cada palavra reconhecida na alternativa principal do resultado do reconhecimento através de uma speaker_label fornecida no WordInfo. Nota: use diarization_config em alternativa.
diarization_speaker_count (deprecated)	int32 Este item foi descontinuado! Se for definido, especifica o número estimado de oradores na conversa. A predefinição é "2". Ignorado, a menos que enable_speaker_diarization esteja definido como verdadeiro. Nota: use diarization_config em alternativa.
diarization_config	SpeakerDiarizationConfig Configuração para ativar a separação de oradores e definir parâmetros adicionais para tornar a separação mais adequada à sua aplicação. Nota: quando esta opção está ativada, enviamos todas as palavras desde o início do áudio para a principal alternativa em todas as respostas STREAMING consecutivas. Isto é feito para melhorar as nossas etiquetas de orador à medida que os nossos modelos aprendem a identificar os oradores na conversa ao longo do tempo. Para pedidos sem streaming, os resultados da segmentação por orador são fornecidos apenas na alternativa principal do SpeechRecognitionResult FINAL.
metadata	RecognitionMetadata Metadados relativos a esta solicitação.
model	string Que modelo selecionar para o pedido em questão. Selecione o modelo mais adequado ao seu domínio para obter os melhores resultados. Se não for especificado explicitamente um modelo, selecionamos automaticamente um modelo com base nos parâmetros no RecognitionConfig. Modelo Descrição latest_long Ideal para conteúdo de formato longo, como multimédia ou conversas. latest_short Ideal para conteúdo de formato curto, como comandos ou discurso dirigido de uma só tomada. command_and_search Ideal para consultas curtas, como comandos de voz ou pesquisa por voz. phone_call Melhor para áudio proveniente de uma chamada telefónica (normalmente, gravado a uma taxa de amostragem de 8 kHz). video Ideal para áudio proveniente de vídeo ou que inclua vários falantes. Idealmente, o áudio é gravado a uma taxa de amostragem de 16 kHz ou superior. Este é um modelo premium que custa mais do que a tarifa padrão. default Ideal para áudio que não faz parte dos modelos de áudio específicos. Por exemplo, áudio de formato longo. Idealmente, o áudio deve ser de alta fidelidade e gravado a uma taxa de amostragem de 16 kHz ou superior. medical_conversation Ideal para áudio originado de uma conversa entre um prestador de serviços médicos e um paciente. medical_dictation Ideal para áudio originado de notas de ditado de um prestador de cuidados médicos.
use_enhanced	bool Definido como verdadeiro para usar um modelo melhorado para o reconhecimento de voz. Se use_enhanced estiver definido como verdadeiro e o campo model não estiver definido, é escolhido um modelo melhorado adequado se existir um modelo melhorado para o áudio. Se use_enhanced for verdadeiro e não existir uma versão melhorada do modelo especificado, a voz é reconhecida através da versão padrão do modelo especificado.

AudioEncoding

A codificação dos dados de áudio enviados no pedido.

Todas as codificações só suportam áudio de 1 canal (mono), a menos que os campos audio_channel_count e enable_separate_recognition_per_channel estejam definidos.

Para os melhores resultados, a fonte de áudio deve ser capturada e transmitida através de uma codificação sem perdas (FLAC ou LINEAR16). A precisão do reconhecimento de voz pode ser reduzida se forem usados codecs com perdas para capturar ou transmitir áudio, especialmente se houver ruído de fundo. Os codecs com perdas incluem MULAW, AMR, AMR_WB, OGG_OPUS, SPEEX_WITH_HEADER_BYTE, MP3 e WEBM_OPUS.

Os formatos de ficheiros de áudio FLAC e WAV incluem um cabeçalho que descreve o conteúdo de áudio incluído. Pode pedir reconhecimento para ficheiros WAV que contenham áudio codificado LINEAR16 ou MULAW. Se enviar o formato de ficheiro de áudio FLAC ou WAV no seu pedido, não precisa de especificar um AudioEncoding. O formato de codificação de áudio é determinado a partir do cabeçalho do ficheiro. Se especificar um AudioEncoding quando enviar áudio FLAC ou WAV, a configuração de codificação tem de corresponder à codificação descrita no cabeçalho de áudio. Caso contrário, o pedido devolve um código de erro google.rpc.Code.INVALID_ARGUMENT.

Enumerações
ENCODING_UNSPECIFIED	Não especificado.
LINEAR16	Amostras de 16 bits não comprimidas com sinal little-endian (PCM linear).
FLAC	O FLAC (Free Lossless Audio Codec) é a codificação recomendada porque não tem perdas, pelo que o reconhecimento não é comprometido, e requer apenas cerca de metade da largura de banda do LINEAR16. A codificação de streams FLAC suporta amostras de 16 e 24 bits. No entanto, nem todos os campos em STREAMINFO são suportados.
MULAW	Amostras de 8 bits que comprimem/expandem amostras de áudio de 14 bits através de G.711 PCMU/mu-law.
AMR	Codec Adaptive Multi-Rate Narrowband. sample_rate_hertz tem de ser 8000.
AMR_WB	Codec Adaptive Multi-Rate Wideband. sample_rate_hertz tem de ser 16000.
OGG_OPUS	Frames de áudio codificados em Opus no contentor Ogg (OggOpus). sample_rate_hertz tem de ser um dos seguintes valores: 8000, 12000, 16000, 24000 ou 48000.
SPEEX_WITH_HEADER_BYTE	Embora a utilização de codificações com perdas não seja recomendada, se for necessária uma codificação com uma taxa de bits muito baixa, a codificação OGG_OPUS é altamente preferível à codificação Speex. A codificação Speex suportada pela Cloud Speech API tem um byte de cabeçalho em cada bloco, como no tipo MIME audio/x-speex-with-header-byte. É uma variante da codificação RTP Speex definida no RFC 5574. A stream é uma sequência de blocos, um bloco por pacote RTP. Cada bloco começa com um byte que contém o comprimento do bloco, em bytes, seguido de um ou mais frames de dados Speex, preenchidos até um número integral de bytes (octetos), conforme especificado na RFC 5574. Por outras palavras, cada cabeçalho RTP é substituído por um único byte que contém o comprimento do bloco. Apenas é suportado o Speex wideband. sample_rate_hertz tem de ser 16000.
MP3	Áudio MP3. A codificação MP3 é uma funcionalidade beta e só está disponível na versão v1p1beta1. Suportar todas as taxas de bits MP3 padrão (que variam entre 32 e 320 kbps). Quando usar esta codificação, sample_rate_hertz tem de corresponder à taxa de amostragem do ficheiro que está a ser usado.
WEBM_OPUS	Frames de áudio codificados em Opus no contentor WebM (WebM). sample_rate_hertz tem de ser um dos seguintes valores: 8000, 12000, 16000, 24000 ou 48000.
ALAW	Amostras de 8 bits que comprimem/expandem amostras de áudio de 13 bits através de G.711 PCMU/a-law.

RecognitionMetadata

Este item foi descontinuado!

Descrição dos dados de áudio a serem reconhecidos.

Campos
interaction_type	InteractionType O exemplo de utilização que descreve mais detalhadamente o conteúdo de áudio a ser reconhecido.
industry_naics_code_of_audio	uint32 O vertical do setor ao qual este pedido de reconhecimento de voz se aplica mais diretamente. Isto é mais indicativo dos tópicos contidos no áudio. Use o código NAICS de 6 dígitos para identificar o vertical da indústria. Consulte https://www.naics.com/search/.
microphone_distance	MicrophoneDistance O tipo de áudio que descreve mais detalhadamente o áudio que está a ser reconhecido.
original_media_type	OriginalMediaType O suporte original no qual a voz foi gravada.
recording_device_type	RecordingDeviceType O tipo de dispositivo com o qual a voz foi gravada.
recording_device_name	string O dispositivo usado para fazer a gravação. Exemplos: "Nexus 5X", "Polycom SoundStation IP 6000", "POTS", "VoIP" ou "Microfone cardioide".
original_mime_type	string Tipo MIME do ficheiro de áudio original. Por exemplo, audio/m4a, audio/x-alaw-basic, audio/mp3, audio/3gpp. É mantida uma lista de possíveis tipos MIME de áudio em http://www.iana.org/assignments/media-types/media-types.xhtml#audio
obfuscated_id (deprecated)	int64 Este item foi descontinuado! ID ocultado (protegido pela privacidade) do utilizador, para identificar o número de utilizadores únicos que usam o serviço.
audio_topic	string Descrição do conteúdo. Por exemplo, "Gravações de audiências do Supremo Tribunal Federal de 2012".

InteractionType

Categorias de exemplos de utilização que podem descrever o pedido de reconhecimento de áudio.

Enumerações
INTERACTION_TYPE_UNSPECIFIED	O exemplo de utilização é desconhecido ou é algo diferente de um dos outros valores abaixo.
DISCUSSION	Várias pessoas numa conversa ou discussão. Por exemplo, numa reunião com duas ou mais pessoas a participar ativamente. Normalmente, todas as pessoas que falam estão na mesma sala (se não for o caso, consulte PHONE_CALL)
PRESENTATION	Uma ou mais pessoas a dar uma palestra ou a fazer uma apresentação a outras pessoas, na maioria das vezes sem interrupções.
PHONE_CALL	Uma chamada telefónica ou uma videoconferência em que duas ou mais pessoas, que não estão na mesma sala, estão a participar ativamente.
VOICEMAIL	Uma mensagem gravada destinada a ser ouvida por outra pessoa.
PROFESSIONALLY_PRODUCED	Áudio produzido profissionalmente (por exemplo, Programa de TV, podcast).
VOICE_SEARCH	Transcrever perguntas e consultas faladas em texto.
VOICE_COMMAND	Transcrever comandos de voz, como para controlar um dispositivo.
DICTATION	Transcrever a voz em texto para criar um documento escrito, como uma mensagem de texto, um email ou um relatório.

MicrophoneDistance

Enumera os tipos de definições de captura que descrevem um ficheiro de áudio.

Enumerações
MICROPHONE_DISTANCE_UNSPECIFIED	O tipo de áudio é desconhecido.
NEARFIELD	O áudio foi captado por um microfone colocado perto. Por exemplo, telemóvel, ditafone ou microfone de mão. Geralmente, se o altifalante estiver a 1 metro do microfone.
MIDFIELD	O orador estiver a uma distância máxima de 3 metros do microfone.
FARFIELD	O orador está a mais de 3 metros do microfone.

OriginalMediaType

O suporte original no qual a voz foi gravada.

Enumerações
ORIGINAL_MEDIA_TYPE_UNSPECIFIED	Tipo de suporte original desconhecido.
AUDIO	Os dados de voz são uma gravação de áudio.
VIDEO	Os dados de voz gravados originalmente num vídeo.

RecordingDeviceType

O tipo de dispositivo com o qual a voz foi gravada.

Enumerações
RECORDING_DEVICE_TYPE_UNSPECIFIED	O dispositivo de gravação é desconhecido.
SMARTPHONE	A voz foi gravada num smartphone.
PC	A voz foi gravada através de um computador pessoal ou um tablet.
PHONE_LINE	A voz foi gravada através de uma linha telefónica.
VEHICLE	A voz foi gravada num veículo.
OTHER_OUTDOOR_DEVICE	A voz foi gravada no exterior.
OTHER_INDOOR_DEVICE	A voz foi gravada no interior.

RecognizeRequest

A mensagem de nível superior enviada pelo cliente para o método Recognize.

Campos
config	RecognitionConfig Obrigatório. Fornece informações ao reconhecedor que especificam como processar o pedido.
audio	RecognitionAudio Obrigatório. Os dados de áudio a serem reconhecidos.

RecognizeResponse

A única mensagem devolvida ao cliente pelo método Recognize. Contém o resultado como zero ou mais mensagens SpeechRecognitionResult sequenciais.

Campos
results[]	SpeechRecognitionResult Lista sequencial de resultados da transcrição correspondentes a partes sequenciais do áudio.
total_billed_time	Duration Quando disponíveis, segundos de áudio faturados para o pedido correspondente.
speech_adaptation_info	SpeechAdaptationInfo Fornece informações sobre o comportamento de adaptação na resposta
request_id	int64 O ID associado ao pedido. Este é um ID exclusivo específico apenas do pedido em questão.
using_legacy_models	bool Indica se o pedido usou modelos de RFA antigos (não foi migrado automaticamente para usar modelos de conformidade).

SpeakerDiarizationConfig

Configuração para ativar a separação de oradores.

Campos
enable_speaker_diarization	bool Se for "true", ativa a deteção de interlocutores para cada palavra reconhecida na alternativa principal do resultado do reconhecimento através de uma speaker_label fornecida no WordInfo.
min_speaker_count	int32 Número mínimo de oradores na conversa. Este intervalo oferece-lhe mais flexibilidade, permitindo que o sistema determine automaticamente o número correto de altifalantes. Se não estiver definido, o valor predefinido é 2.
max_speaker_count	int32 Número máximo de oradores na conversa. Este intervalo oferece-lhe mais flexibilidade, permitindo que o sistema determine automaticamente o número correto de altifalantes. Se não estiver definido, o valor predefinido é 6.
speaker_tag (deprecated)	int32 Este item foi descontinuado! Apenas saída. Não usado.

SpeechAdaptation

Configuração da adaptação da voz.

Campos
phrase_sets[]	PhraseSet Uma coleção de conjuntos de expressões. Para especificar as sugestões incorporadas, deixe o conjunto de expressões name em branco e preencha os restantes campos. Qualquer expressão definida pode usar qualquer classe personalizada.
phrase_set_references[]	string Uma coleção de nomes de recursos de conjuntos de expressões a usar.
custom_classes[]	CustomClass Uma coleção de classes personalizadas. Para especificar as classes inline, deixe o name da classe em branco e preencha os restantes campos, atribuindo-lhe um custom_class_id exclusivo. Consulte a classe definida inline nas sugestões de expressões pelo respetivo custom_class_id.
abnf_grammar	ABNFGrammar A forma Backus-Naur aumentada (ABNF) é uma notação gramatical padronizada composta por um conjunto de regras de derivação. Consulte as especificações: https://www.w3.org/TR/speech-grammar

ABNFGrammar

Campos
abnf_strings[]	string Todas as declarações e regras de uma gramática ABNF divididas em várias strings que vão acabar por ser concatenadas.

SpeechAdaptationInfo

Informações sobre a utilização da adaptação da voz nos resultados

Campos
adaptation_timeout	bool Se houve um limite de tempo ao aplicar a adaptação da voz. Se for verdadeiro, a adaptação não teve efeito na transcrição da resposta.
timeout_message	string Se estiver definido, devolve uma mensagem a especificar que parte do pedido de adaptação de voz excedeu o tempo limite.

SpeechContext

Fornece "sugestões" ao reconhecedor de voz para favorecer palavras e expressões específicas nos resultados.

Campos
phrases[]	string Uma lista de strings que contêm "sugestões" de palavras e expressões para que o reconhecimento de voz tenha maior probabilidade de as reconhecer. Isto pode ser usado para melhorar a precisão de palavras e expressões específicas, por exemplo, se comandos específicos forem normalmente falados pelo utilizador. Também pode usar esta funcionalidade para adicionar palavras adicionais ao vocabulário do reconhecedor. Consulte os limites de utilização. Os itens de lista também podem ser definidos para classes de grupos de palavras que representam conceitos comuns que ocorrem na linguagem natural. Por exemplo, em vez de fornecer sugestões de expressões para todos os meses do ano, a utilização da classe $MONTH melhora a probabilidade de transcrever corretamente áudio que inclua meses.
boost	float Hint Boost. Um valor positivo aumenta a probabilidade de uma expressão específica ser reconhecida em detrimento de outras expressões com um som semelhante. Quanto maior for o aumento, maior é a probabilidade de reconhecimento de falsos positivos. Os valores de aumento negativos correspondem à eliminação de parcialidade. A funcionalidade de eliminação de parcialidades não está ativada, pelo que o aumento negativo é simplesmente ignorado. Embora boost possa aceitar uma vasta gama de valores positivos, a maioria dos exemplos de utilização é melhor servida com valores entre 0 e 20. Recomendamos que use uma abordagem de pesquisa binária para encontrar o valor ideal para o seu exemplo de utilização.

SpeechRecognitionAlternative

Hipóteses alternativas (também conhecidas como lista n-best).

Campos
transcript	string Texto da transcrição que representa as palavras que o utilizador disse. Em idiomas que usam espaços para separar palavras, a transcrição pode ter um espaço inicial se não for o primeiro resultado. Pode concatenar cada resultado para obter a transcrição completa sem usar um separador.
confidence	float A estimativa de confiança entre 0,0 e 1,0. Um número mais elevado indica uma probabilidade estimada maior de que as palavras reconhecidas estejam corretas. Este campo só é definido para a alternativa principal de um resultado não de streaming ou de um resultado de streaming onde is_final=true. Não é garantido que este campo seja preciso e os utilizadores não devem confiar que é sempre fornecido. O valor predefinido de 0,0 é um valor de controlo que indica que confidence não foi definido.
words[]	WordInfo Uma lista de informações específicas de palavras para cada palavra reconhecida. Nota: quando enable_speaker_diarization é verdadeiro, vê todas as palavras desde o início do áudio.

SpeechRecognitionResult

Um resultado de reconhecimento de voz correspondente a uma parte do áudio.

Campos
alternatives[]	SpeechRecognitionAlternative Pode conter uma ou mais hipóteses de reconhecimento (até ao máximo especificado em max_alternatives). Estas alternativas são ordenadas em termos de precisão, sendo a alternativa superior (primeira) a mais provável, conforme a classificação do reconhecedor.
channel_tag	int32 Para áudio multicanal, este é o número do canal correspondente ao resultado reconhecido para o áudio desse canal. Para audio_channel_count = N, os respetivos valores de saída podem variar de "1" a "N".
result_end_time	Duration Desvio de tempo do fim deste resultado relativamente ao início do áudio.
language_code	string Apenas saída. A etiqueta de idioma BCP-47 do idioma neste resultado. Este código de idioma foi detetado como o mais provável de ser falado no áudio.

StreamingRecognitionConfig

Fornece informações ao reconhecedor que especificam como processar o pedido.

Campos
config	RecognitionConfig Obrigatório. Fornece informações ao reconhecedor que especificam como processar o pedido.
single_utterance	bool Se for false ou omitido, o reconhecedor realiza o reconhecimento contínuo (continua a aguardar e a processar áudio, mesmo que o utilizador pare de falar) até que o cliente feche o fluxo de entrada (API gRPC) ou até que o limite de tempo máximo seja atingido. Pode devolver vários StreamingRecognitionResults com a flag is_final definida como true. Se true, o identificador deteta uma única expressão falada. Quando deteta que o utilizador pausou ou parou de falar, devolve um evento END_OF_SINGLE_UTTERANCE e interrompe o reconhecimento. Não devolve mais do que um StreamingRecognitionResult com a flag is_final definida como true. O campo single_utterance só pode ser usado com modelos especificados. Caso contrário, é gerado um erro. O campo model em RecognitionConfig tem de estar definido como: command_and_search phone_call E campo adicional useEnhanced=true O campo model não está definido. Neste caso, a API seleciona automaticamente um modelo com base em quaisquer outros parâmetros que definir em RecognitionConfig.
interim_results	bool Se true, os resultados provisórios (hipóteses provisórias) podem ser devolvidos à medida que ficam disponíveis (estes resultados provisórios são indicados com a flag is_final=false). Se for false ou omitido, são devolvidos apenas is_final=true resultado(s).
enable_voice_activity_events	bool Se true, as respostas com eventos de voz de atividade de voz são devolvidas à medida que são detetadas.
voice_activity_timeout	VoiceActivityTimeout Se estiver definido, o servidor fecha automaticamente a stream após a duração especificada decorrida após o envio do último evento de voz VOICE_ACTIVITY. O campo voice_activity_events também tem de estar definido como verdadeiro.

VoiceActivityTimeout

Eventos nos quais é possível definir um limite de tempo para a atividade de voz.

Campos
speech_start_timeout	Duration Duração do limite de tempo da stream se não for iniciada nenhuma fala.
speech_end_timeout	Duration Duração da pausa da stream após o fim da fala.

StreamingRecognitionResult

Um resultado de reconhecimento de voz de streaming correspondente a uma parte do áudio que está a ser processada atualmente.

Campos
alternatives[]	SpeechRecognitionAlternative Pode conter uma ou mais hipóteses de reconhecimento (até ao máximo especificado em max_alternatives). Estas alternativas são ordenadas em termos de precisão, sendo a alternativa superior (primeira) a mais provável, conforme a classificação do reconhecedor.
is_final	bool Se false, este StreamingRecognitionResult representa um resultado provisório que pode mudar. Se true, esta é a última vez que o serviço de voz devolve este StreamingRecognitionResult específico. O reconhecedor não devolve mais hipóteses para esta parte da transcrição e o áudio correspondente.
stability	float Uma estimativa da probabilidade de o reconhecedor não alterar a sua suposição sobre este resultado provisório. Os valores variam entre 0,0 (completamente instável) e 1,0 (completamente estável). Este campo só é fornecido para resultados provisórios (is_final=false). O valor predefinido de 0,0 é um valor de sentinela que indica que stability não foi definido.
result_end_time	Duration Desvio de tempo do fim deste resultado relativamente ao início do áudio.
channel_tag	int32 Para áudio multicanal, este é o número do canal correspondente ao resultado reconhecido para o áudio desse canal. Para audio_channel_count = N, os respetivos valores de saída podem variar de "1" a "N".
language_code	string Apenas saída. A etiqueta de idioma BCP-47 do idioma neste resultado. Este código de idioma foi detetado como o mais provável de ser falado no áudio.

StreamingRecognizeRequest

A mensagem de nível superior enviada pelo cliente para o método StreamingRecognize. São enviadas várias mensagens do StreamingRecognizeRequest. A primeira mensagem tem de conter uma mensagem streaming_config e não pode conter audio_content. Todas as mensagens subsequentes têm de conter audio_content e não podem conter uma mensagem streaming_config.

Campos
Campo de união streaming_request. O pedido de streaming, que é uma configuração de streaming ou conteúdo de áudio. streaming_request só pode ser uma das seguintes opções:
streaming_config	StreamingRecognitionConfig Fornece informações ao reconhecedor que especificam como processar o pedido. A primeira mensagem StreamingRecognizeRequest tem de conter uma mensagem streaming_config.
audio_content	bytes Os dados de áudio a serem reconhecidos. Os fragmentos sequenciais de dados de áudio são enviados em mensagens StreamingRecognizeRequest sequenciais. A primeira mensagem StreamingRecognizeRequest não pode conter dados audio_content e todas as mensagens StreamingRecognizeRequest subsequentes têm de conter dados audio_content. Os bytes de áudio têm de ser codificados conforme especificado em RecognitionConfig. Nota: tal como acontece com todos os campos de bytes, os buffers proto usam uma representação binária pura (não base64). Consulte os limites de conteúdo.

StreamingRecognizeResponse

StreamingRecognizeResponse é a única mensagem devolvida ao cliente por StreamingRecognize. Uma série de zero ou mais mensagens StreamingRecognizeResponse são transmitidas de volta ao cliente. Se não existir áudio reconhecível e single_utterance estiver definido como falso, não são transmitidas mensagens de volta para o cliente.

Segue-se um exemplo de uma série de StreamingRecognizeResponses que podem ser devolvidos durante o processamento de áudio:

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 }

Notas:

• Apenas duas das respostas acima, a n.º 4 e a n.º 7, contêm resultados finais. Estas estão indicadas com is_final: true. A concatenação destes elementos gera a transcrição completa: "ser ou não ser, eis a questão".

• Os outros contêm dados provisórios results. Os exemplos n.º 3 e n.º 6 contêm dois results provisórios: a primeira parte tem uma estabilidade elevada e é menos provável que mude; a segunda parte tem uma estabilidade baixa e é muito provável que mude. Um designer de IU pode optar por mostrar apenas a estabilidade elevada results.

• Os valores específicos de stability e confidence apresentados acima destinam-se apenas a fins ilustrativos. Os valores reais podem variar.

• Em cada resposta, apenas um destes campos é definido: error, speech_event_type ou um ou mais (repetidos) results.

Campos
error	Status Se estiver definido, devolve uma mensagem google.rpc.Status que especifica o erro da operação.
results[]	StreamingRecognitionResult Esta lista repetida contém zero ou mais resultados que correspondem a partes consecutivas do áudio que está a ser processado. Contém 0 ou 1 resultado is_final=true (a parte recentemente liquidada), seguido de 0 ou mais resultados is_final=false (os resultados provisórios).
speech_event_type	SpeechEventType Indica o tipo de evento de voz.
speech_event_time	Duration Desvio de tempo entre o início da emissão de áudio e de eventos.
total_billed_time	Duration Quando disponíveis, segundos de áudio faturados para a stream. Definido apenas se esta for a última resposta na stream.
speech_adaptation_info	SpeechAdaptationInfo Fornece informações sobre o comportamento de adaptação na resposta
request_id	int64 O ID associado ao pedido. Este é um ID exclusivo específico apenas do pedido em questão.

SpeechEventType

Indica o tipo de evento de voz.

Enumerações
SPEECH_EVENT_UNSPECIFIED	Nenhum evento de voz especificado.
END_OF_SINGLE_UTTERANCE	Este evento indica que o servidor detetou o fim da expressão de voz do utilizador e não espera mais voz. Por conseguinte, o servidor não processa áudio adicional (embora possa devolver resultados adicionais posteriormente). O cliente deve parar de enviar dados de áudio adicionais, fechar parcialmente a ligação gRPC e aguardar resultados adicionais até o servidor fechar a ligação gRPC. Este evento só é enviado se single_utterance tiver sido definido como true e não é usado de outra forma.
SPEECH_ACTIVITY_BEGIN	Este evento indica que o servidor detetou o início da atividade de voz humana na stream. Este evento pode ser devolvido várias vezes se a fala começar e parar repetidamente ao longo da transmissão. Este evento só é enviado se voice_activity_events estiver definido como verdadeiro.
SPEECH_ACTIVITY_END	Este evento indica que o servidor detetou o fim da atividade de voz humana na stream. Este evento pode ser devolvido várias vezes se a fala começar e parar repetidamente ao longo da transmissão. Este evento só é enviado se voice_activity_events estiver definido como verdadeiro.
SPEECH_ACTIVITY_TIMEOUT	Este evento indica que o limite de tempo definido pelo utilizador para o início ou o fim da atividade de voz foi excedido. Após receber este evento, o cliente deve enviar um fecho parcial. O áudio adicional não é processado.

TranscriptNormalization

Configuração de normalização da transcrição. Use a normalização da transcrição para substituir automaticamente partes da transcrição por expressões à sua escolha. Para o StreamingRecognize, esta normalização aplica-se apenas a transcrições parciais estáveis (estabilidade > 0,8) e transcrições finais.

Campos
entries[]	Entry Uma lista de entradas de substituição. Vamos fazer a substituição com uma entrada de cada vez. Por exemplo, a segunda entrada em ["cat" => "dog", "mountain cat" => "mountain dog"] nunca é aplicada porque processamos sempre a primeira entrada antes. No máximo, 100 entradas.

Entrada

Uma única configuração de substituição.

Campos
search	string O que substituir. O comprimento máximo é de 100 carateres.
replace	string O que deve substituir. O comprimento máximo é de 100 carateres.
case_sensitive	bool Se a pesquisa é sensível a maiúsculas e minúsculas.

TranscriptOutputConfig

Especifica um destino opcional para os resultados do reconhecimento.

Campos
Campo de união output_type. output_type só pode ser uma das seguintes opções:
gcs_uri	string Especifica um URI do Cloud Storage para os resultados do reconhecimento. Tem de ser especificado no formato: gs://bucket_name/object_name, e o contentor já tem de existir.

UpdateCustomClassRequest

Mensagem enviada pelo cliente para o método UpdateCustomClass.

Campos
custom_class	CustomClass Obrigatório. A classe personalizada a atualizar. O campo name da classe personalizada é usado para identificar a classe personalizada a ser atualizada. Formato: projects/{project}/locations/{location}/customClasses/{custom_class} A funcionalidade de conversão de voz em texto suporta três localizações: global, us (América do Norte dos EUA) e eu (Europa). Se estiver a chamar o ponto final speech.googleapis.com, use a localização global. Para especificar uma região, use um ponto final regional com o valor de localização us ou eu correspondente. A autorização requer a seguinte autorização de IAM no recurso especificado customClass: speech.customClasses.update
update_mask	FieldMask A lista de campos a atualizar.

UpdatePhraseSetRequest

Mensagem enviada pelo cliente para o método UpdatePhraseSet.

Campos
phrase_set	PhraseSet Obrigatório. A expressão definida para atualização. O campo name do conjunto de expressões é usado para identificar o conjunto a ser atualizado. Formato: projects/{project}/locations/{location}/phraseSets/{phrase_set} A funcionalidade de conversão de voz em texto suporta três localizações: global, us (América do Norte dos EUA) e eu (Europa). Se estiver a chamar o ponto final speech.googleapis.com, use a localização global. Para especificar uma região, use um ponto final regional com o valor de localização us ou eu correspondente. A autorização requer a seguinte autorização de IAM no recurso especificado phraseSet: speech.phraseSets.update
update_mask	FieldMask A lista de campos a atualizar.

WordInfo

Informações específicas de palavras para palavras reconhecidas.

Campos
start_time	Duration Desvio de tempo relativo ao início do áudio e correspondente ao início da palavra falada. Este campo só é definido se enable_word_time_offsets=true e apenas na hipótese principal. Esta é uma funcionalidade experimental e a precisão da diferença de tempo pode variar.
end_time	Duration Desvio de tempo relativo ao início do áudio e correspondente ao fim da palavra falada. Este campo só é definido se enable_word_time_offsets=true e apenas na hipótese principal. Esta é uma funcionalidade experimental e a precisão da diferença de tempo pode variar.
word	string A palavra correspondente a este conjunto de informações.
confidence	float A estimativa de confiança entre 0,0 e 1,0. Um número mais elevado indica uma probabilidade estimada maior de que as palavras reconhecidas estejam corretas. Este campo só é definido para a alternativa principal de um resultado não de streaming ou de um resultado de streaming onde is_final=true. Não é garantido que este campo seja preciso e os utilizadores não devem confiar que é sempre fornecido. O valor predefinido de 0,0 é um valor de controlo que indica que confidence não foi definido.
speaker_tag (deprecated)	int32 Este item foi descontinuado! Apenas saída. É atribuído um valor inteiro distinto a cada orador no áudio. Este campo especifica qual dos oradores foi detetado a ter dito esta palavra. O valor varia de "1" a diarization_speaker_count. speaker_tag é definido se enable_speaker_diarization = "true" e apenas para a alternativa principal. Nota: use speaker_label em alternativa.
speaker_label	string Apenas saída. Um valor de etiqueta atribuído a cada orador único no áudio. Este campo especifica que orador foi detetado a dizer esta palavra. Para alguns modelos, como medical_conversation, este pode ser o papel real do orador, por exemplo, "paciente" ou "fornecedor", mas, geralmente, seria um número que identifica um orador. Este campo só é definido se enable_speaker_diarization = "true" e apenas para a alternativa principal.