Package google.cloud.speech.v1p1beta1

Índice

Adaptação

Serviço que implementa a API Google Cloud Speech Adaptation.

CreateCustomClass

rpc CreateCustomClass(CreateCustomClassRequest) returns (CustomClass)

Crie uma classe personalizada.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.
CreatePhraseSet

rpc CreatePhraseSet(CreatePhraseSetRequest) returns (PhraseSet)

Crie um conjunto de dicas de frases. Cada item no conjunto pode ser uma única palavra ou uma frase. Os itens no PhraseSet são favorecidos pelo modelo de reconhecimento quando você envia uma chamada que inclui o PhraseSet.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.
DeleteCustomClass

rpc DeleteCustomClass(DeleteCustomClassRequest) returns (Empty)

Excluir uma classe personalizada.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.
DeletePhraseSet

rpc DeletePhraseSet(DeletePhraseSetRequest) returns (Empty)

Exclui um conjunto de frases.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.
GetCustomClass

rpc GetCustomClass(GetCustomClassRequest) returns (CustomClass)

Receber uma classe personalizada.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.
GetPhraseSet

rpc GetPhraseSet(GetPhraseSetRequest) returns (PhraseSet)

Recebe um conjunto de frases.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.
ListCustomClasses

rpc ListCustomClasses(ListCustomClassesRequest) returns (ListCustomClassesResponse)

Liste as classes personalizadas.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.
ListPhraseSet

rpc ListPhraseSet(ListPhraseSetRequest) returns (ListPhraseSetResponse)

Listar conjuntos de frases.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.
UpdateCustomClass

rpc UpdateCustomClass(UpdateCustomClassRequest) returns (CustomClass)

Atualizar uma classe personalizada.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.
UpdatePhraseSet

rpc UpdatePhraseSet(UpdatePhraseSetRequest) returns (PhraseSet)

Atualiza um conjunto de frases.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.

Voz

Serviço com que é implementada a Google Cloud Speech API.

LongRunningRecognize

rpc LongRunningRecognize(LongRunningRecognizeRequest) returns (Operation)

Executa o reconhecimento de fala assíncrono: receba os resultados por meio da interface google.longrunning.Operations. Retorna um Operation.error ou um Operation.response que contém uma mensagem LongRunningRecognizeResponse. Para mais informações sobre o reconhecimento de fala assíncrono, consulte o tutorial.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.
Reconhecer

rpc Recognize(RecognizeRequest) returns (RecognizeResponse)

Realiza reconhecimento de voz síncrono: receba resultados depois que todo o áudio tiver sido enviado e processado.

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.
StreamingRecognize

rpc StreamingRecognize(StreamingRecognizeRequest) returns (StreamingRecognizeResponse)

Executa reconhecimento de fala em streaming bidirecional: recebe resultados durante o envio de áudio. Este método só está disponível por meio da gRPC API (não REST).

Escopos de autorização

Requer o seguinte escopo OAuth:

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

Para mais informações, consulte Authentication Overview.

CreateCustomClassRequest

Mensagem enviada pelo cliente para o método CreateCustomClass.

Campos
parent

string

Obrigatório. O recurso pai em que essa classe personalizada será criada. Formato:

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

A Speech-to-Text oferece suporte a três locais: global, us (América do Norte dos EUA) e eu (Europa). Se você estiver chamando o endpoint speech.googleapis.com, use o local global. Para especificar uma região, use um endpoint regional com o valor de local us ou eu correspondente.

A autorização requer a seguinte permissão do IAM no recurso especificado parent:

  • speech.customClasses.create
custom_class_id

string

Obrigatório. O ID a ser usado na classe personalizada, que se tornará o componente final do nome do recurso da classe personalizada.

Esse valor precisa ter de 4 a 63 caracteres e conter apenas letras, números e hifens. O primeiro caractere precisa ser uma letra, e o último, uma letra ou um número.
custom_class

CustomClass

Obrigatório. A classe personalizada a ser criada.

CreatePhraseSetRequest

Mensagem enviada pelo cliente para o método CreatePhraseSet.

Campos
parent

string

Obrigatório. O recurso pai em que este conjunto de frases será criado. Formato:

projects/{project}/locations/{location}

A Speech-to-Text oferece suporte a três locais: global, us (América do Norte dos EUA) e eu (Europa). Se você estiver chamando o endpoint speech.googleapis.com, use o local global. Para especificar uma região, use um endpoint regional com o valor de local us ou eu correspondente.

A autorização requer a seguinte permissão do IAM no recurso especificado parent:

  • speech.phraseSets.create
phrase_set_id

string

Obrigatório. O ID a ser usado no conjunto de frases, que se tornará o componente final do nome do recurso do conjunto de frases.

Esse valor precisa ter de 4 a 63 caracteres e conter apenas letras, números e hifens. O primeiro caractere precisa ser uma letra, e o último, uma letra ou um número.
phrase_set

PhraseSet

Obrigatório. O conjunto de frases a ser criado.

CustomClass

Um conjunto de palavras ou frases que representa um conceito comum que provavelmente vai aparecer no seu áudio, por exemplo, uma lista de nomes de navios de passageiros. Os itens CustomClass podem ser substituídos por marcadores de posição definidos em frases PhraseSet.

Campos
name

string

O nome do recurso da classe personalizada.
custom_class_id

string

Se essa classe personalizada for um recurso, o custom_class_id será o ID do recurso CustomClass. Diferencia maiúsculas de minúsculas.
items[]

ClassItem

Uma coleção de itens de classe.
kms_key_name

string

Apenas saída. O nome da chave do KMS com que o conteúdo do ClassItem é criptografado. 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 que o conteúdo do ClassItem é criptografado. 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. Esse campo não é usado.
display_name

string

Apenas saída. Nome legível por humanos e definido pelo usuário para a CustomClass. Precisa ter no máximo 63 caracteres. Esse campo não é usado.
state

State

Apenas saída. O estado do ciclo de vida de CustomClass. Esse campo não é usado.
delete_time

Timestamp

Apenas saída. O horário em que a exclusão deste recurso foi solicitada. Esse campo não é usado.
expire_time

Timestamp

Apenas saída. O horário em que esse recurso será excluído permanentemente. Esse campo não é usado.
annotations

map<string, string>

Apenas saída. Permite que os usuários armazenem pequenas quantidades de dados arbitrários. A chave e o valor precisam ter no máximo 63 caracteres cada. No máximo 100 anotações. Esse campo não é usado.
etag

string

Apenas saída. Esse checksum é calculado pelo servidor com base no valor de outros campos. Ele pode ser enviado em solicitações de atualização, reversão de exclusão e exclusão para garantir que o cliente tenha um valor atualizado antes de prosseguir. Esse campo não é usado.
reconciling

bool

Apenas saída. Indica se esta CustomClass está sendo atualizada. Esse campo não é usado.

ClassItem

Um item da classe.

Campos
value

string

O valor do item da classe.

Estado

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

Tipos enumerados
STATE_UNSPECIFIED Estado não especificado. Isso só é usado/útil para distinguir valores não definidos.
ACTIVE O estado normal e ativo.
DELETED Esta CustomClass foi excluída.

DeleteCustomClassRequest

Mensagem enviada pelo cliente para o método DeleteCustomClass.

Campos
name

string

Obrigatório. O nome da classe personalizada a ser excluída. Formato:

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

A Speech-to-Text oferece suporte a três locais: global, us (América do Norte dos EUA) e eu (Europa). Se você estiver chamando o endpoint speech.googleapis.com, use o local global. Para especificar uma região, use um endpoint regional com o valor de local us ou eu correspondente.

A autorização requer a seguinte permissão do 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 frases a ser excluído. Formato:

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

A autorização requer a seguinte permissão do 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 ser recuperada. Formato:

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

A autorização requer a seguinte permissão do 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 frases a ser recuperado. Formato:

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

A Speech-to-Text oferece suporte a três locais: global, us (América do Norte dos EUA) e eu (Europa). Se você estiver chamando o endpoint speech.googleapis.com, use o local global. Para especificar uma região, use um endpoint regional com o valor de local us ou eu correspondente.

A autorização requer a seguinte permissão do IAM no recurso especificado name:

  • speech.phraseSets.get

ListCustomClassesRequest

Mensagem enviada pelo cliente para o método ListCustomClasses.

Campos
parent

string

Obrigatório. O pai, que tem essa coleção de classes personalizadas. Formato:

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

A Speech-to-Text oferece suporte a três locais: global, us (América do Norte dos EUA) e eu (Europa). Se você estiver chamando o endpoint speech.googleapis.com, use o local global. Para especificar uma região, use um endpoint regional com o valor de local us ou eu correspondente.

A autorização requer a seguinte permissão do IAM no recurso especificado parent:

  • speech.customClasses.list
page_size

int32

O número máximo de classes personalizadas a serem retornadas. O serviço pode retornar um valor inferior a este. Se não for especificado, no máximo 50 classes personalizadas serão retornadas. O valor máximo é 1.000. Valores maiores serão convertidos para 1.000.
page_token

string

Um token de página recebido de uma chamada ListCustomClass anterior. Forneça isso para recuperar a página subsequente.

Ao paginar, todos os outros parâmetros fornecidos para ListCustomClass precisam corresponder à chamada que forneceu o token da página.

ListCustomClassesResponse

Mensagem retornada 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 recuperar a próxima página. Se esse campo for omitido, não haverá páginas subsequentes.

ListPhraseSetRequest

Mensagem enviada pelo cliente para o método ListPhraseSet.

Campos
parent

string

Obrigatório. O pai, que tem essa coleção de conjuntos de frases. Formato:

projects/{project}/locations/{location}

A Speech-to-Text oferece suporte a três locais: global, us (América do Norte dos EUA) e eu (Europa). Se você estiver chamando o endpoint speech.googleapis.com, use o local global. Para especificar uma região, use um endpoint regional com o valor de local us ou eu correspondente.

A autorização requer a seguinte permissão do IAM no recurso especificado parent:

  • speech.phraseSets.list
page_size

int32

O número máximo de conjuntos de frases a serem retornados. O serviço pode retornar um valor inferior a este. Se não for especificado, no máximo 50 conjuntos de frases serão retornados. O valor máximo é 1.000. Valores maiores serão convertidos para 1.000.
page_token

string

Um token de página recebido de uma chamada ListPhraseSet anterior. Forneça isso para recuperar a página subsequente.

Ao paginar, todos os outros parâmetros fornecidos para ListPhraseSet precisam corresponder à chamada que forneceu o token da página.

ListPhraseSetResponse

Mensagem retornada ao cliente pelo método ListPhraseSet.

Campos
phrase_sets[]

PhraseSet

O conjunto de frases.
next_page_token

string

Um token, que pode ser enviado como page_token para recuperar a próxima página. Se esse campo for omitido, não haverá páginas subsequentes.

LongRunningRecognizeMetadata

Descreve o progresso de uma chamada LongRunningRecognize de longa duração. Ele está incluído no campo metadata do Operation retornado pela chamada GetOperation do serviço google::longrunning::Operations.

Campos
progress_percent

int32

Porcentagem aproximada de áudio processada até o momento. Sempre é 100 quando o áudio está totalmente processado e os resultados estão disponíveis.
start_time

Timestamp

Hora em que a solicitação foi recebida.
last_update_time

Timestamp

Hora da atualização de processamento mais recente.
uri

string

Apenas saída. O URI do arquivo de áudio que está sendo transcrito. Fica vazio se o áudio foi enviado como conteúdo de bytes.
output_config

TranscriptOutputConfig

Apenas saída. Uma cópia do TranscriptOutputConfig, se ele foi definido na solicitação.

LongRunningRecognizeRequest

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

Campos
config

RecognitionConfig

Obrigatório. São fornecidas informações ao reconhecedor que especificam como processar a solicitação.
audio

RecognitionAudio

Obrigatório. Dados de áudio a serem reconhecidos.
output_config

TranscriptOutputConfig

Opcional. Especifica um destino opcional para os resultados do reconhecimento.

LongRunningRecognizeResponse

A única mensagem retornada ao cliente pelo método LongRunningRecognize. Ele contém o resultado como zero ou mais mensagens SpeechRecognitionResult sequenciais. Ele está incluído no campo result.response do Operation retornado pela chamada GetOperation do serviço google::longrunning::Operations.

Campos
results[]

SpeechRecognitionResult

Lista sequencial de resultados de transcrição correspondentes a porções sequenciais de áudio.
total_billed_time

Duration

Quando disponível, os segundos de áudio faturados da solicitação correspondente.
output_config

TranscriptOutputConfig

Configuração de saída original, se presente na solicitação.
output_error

Status

Se a saída da transcrição falhar, esse campo vai conter o erro relevante.
speech_adaptation_info

SpeechAdaptationInfo

Fornece informações sobre o comportamento de adaptação de fala na resposta
request_id

int64

O ID associado à solicitação. É um ID exclusivo específico apenas para a solicitação.

PhraseSet

São fornecidas "dicas" ao reconhecedor de fala para aceitar palavras e frases específicas nos resultados.

Campos
name

string

O nome do recurso do conjunto de frases.
phrases[]

Phrase

Uma lista de palavras e frases.
boost

float

Dica extra. Um valor positivo aumenta a probabilidade de uma frase específica ser reconhecida em vez de outras semelhantes. Quanto maior o aumento, maior a chance de reconhecimento de falsos positivos. Valores de reforço negativo corresponderiam à redução de viés. O anti-biasing não está ativado, então o aumento negativo será ignorado. Embora boost possa aceitar uma ampla variedade de valores positivos, a maioria dos casos de uso é melhor atendida com valores entre 0 (exclusivo) e 20. Recomendamos usar uma abordagem de pesquisa binária para encontrar o valor ideal para seu caso de uso, além de adicionar frases com e sem reforço às suas solicitações.
kms_key_name

string

Apenas saída. O nome da chave do KMS com que o conteúdo do PhraseSet é criptografado. 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 que o conteúdo do PhraseSet é criptografado. 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. Esse campo não é usado.
display_name

string

Apenas saída. Nome legível para humanos e definido pelo usuário do PhraseSet. Precisa ter no máximo 63 caracteres. Esse campo não é usado.
state

State

Apenas saída. O estado do ciclo de vida de CustomClass. Esse campo não é usado.
delete_time

Timestamp

Apenas saída. O horário em que a exclusão deste recurso foi solicitada. Esse campo não é usado.
expire_time

Timestamp

Apenas saída. O horário em que esse recurso será excluído permanentemente. Esse campo não é usado.
annotations

map<string, string>

Apenas saída. Permite que os usuários armazenem pequenas quantidades de dados arbitrários. A chave e o valor precisam ter no máximo 63 caracteres cada. No máximo 100 anotações. Esse campo não é usado.
etag

string

Apenas saída. Esse checksum é calculado pelo servidor com base no valor de outros campos. Ele pode ser enviado em solicitações de atualização, reversão de exclusão e exclusão para garantir que o cliente tenha um valor atualizado antes de prosseguir. Esse campo não é usado.
reconciling

bool

Apenas saída. Indica se o PhraseSet está sendo atualizado. Esse campo não é usado.

Frase

Uma lista de frases contendo "dicas" de palavras e frases para que o reconhecimento de fala seja mais provável. Isso pode ser usado para melhorar a precisão de palavras e frases específicas, por exemplo, se comandos específicos forem normalmente falados pelo usuário. Isso também pode ser usado para adicionar palavras ao vocabulário do reconhecedor. Veja os limites de uso.

Os itens de lista também podem incluir classes pré-criadas ou personalizadas com grupos de palavras que representam conceitos comuns que ocorrem em linguagem natural. Por exemplo, em vez de fornecer uma dica de frase para cada mês do ano (por exemplo, "eu nasci em janeiro", "eu nasci em fevereiro" etc.), use a classe $MONTH pré-criada para aumentar a probabilidade de transcrever corretamente o áudio que inclui meses (por exemplo, "eu nasci em $month"). Para se referir a classes pré-criadas, use o símbolo da classe precedido por $, por exemplo, $MONTH. Para se referir a classes personalizadas definidas inline na solicitação, 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 se referir a recursos de classes personalizadas, use o ID da classe entre ${} (por exemplo, ${my-months}).

A Speech-to-Text oferece suporte a três locais: global, us (América do Norte dos EUA) e eu (Europa). Se você estiver chamando o endpoint speech.googleapis.com, use o local global. Para especificar uma região, use um endpoint regional com o valor de local us ou eu correspondente.

Campos
value

string

A própria frase.
boost

float

Dica extra. Substitui o aumento definido no nível do conjunto de frases. Um valor positivo aumenta a probabilidade de uma frase específica ser reconhecida em vez de outras semelhantes. Quanto maior o aumento, maior a chance de reconhecimento de falsos positivos. O reforço negativo será ignorado. Embora boost possa aceitar uma ampla variedade de valores positivos, a maioria dos casos de uso é melhor atendida com valores entre 0 e 20. Recomendamos usar uma abordagem de pesquisa binária para encontrar o valor ideal para seu caso de uso, além de adicionar frases com e sem reforço às suas solicitações.

Estado

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

Tipos enumerados
STATE_UNSPECIFIED Estado não especificado. Isso só é usado/útil para distinguir valores não definidos.
ACTIVE O estado normal e ativo.
DELETED Esta CustomClass foi excluída.

RecognitionAudio

Contém dados de áudio na codificação especificada no RecognitionConfig. É necessário fornecer content ou uri. Fornecer ambos ou nenhum retorna google.rpc.Code.INVALID_ARGUMENT. Consulte os limites de conteúdo.

Campos
Campo de união audio_source. A fonte de áudio, que é conteúdo in-line ou um URI do Google Cloud Storage. audio_source pode ser apenas de um dos tipos a seguir:
content

bytes

Os bytes de dados de áudio codificados conforme especificado em RecognitionConfig. Observação: como em todos os campos de bytes, os protobuffers usam uma representação binária pura, e as representações JSON usam base64.
uri

string

URI que aponta para um arquivo com bytes de dados de áudio, conforme especificado em RecognitionConfig. O arquivo não pode estar compactado (por exemplo, gzip). Atualmente, apenas URIs do Google Cloud Storage são compatíveis, que precisam ser especificados no seguinte formato: gs://bucket_name/object_name (outros formatos de URI retornam google.rpc.Code.INVALID_ARGUMENT). Para mais informações, consulte URIs de solicitação.

RecognitionConfig

São fornecidas informações ao reconhecedor que especificam como processar a solicitação.

Campos
encoding

AudioEncoding

Codificação de dados de áudio enviados em todas as mensagens RecognitionAudio. Este campo é opcional para arquivos de áudio FLAC e WAV e é necessário para todos os outros formatos de áudio. Para 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: 8000-48000. 16.000 é o ideal. Para melhores resultados, defina a taxa de amostragem da fonte de áudio para 16.000 Hz. Se isso não for possível, use a taxa de amostragem nativa da fonte de áudio em vez de fazer nova amostragem. Esse campo é opcional para arquivos de áudio FLAC e WAV, mas é obrigatório para todos os outros formatos de áudio. Confira detalhes em AudioEncoding.
audio_channel_count

int32

O número de canais nos dados de áudio de entrada. Defina SOMENTE para reconhecimento MULTICANAIS. 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, o padrão será um canal (mono). Observação: por padrão, nós só reconhecemos o primeiro canal. Para realizar um reconhecimento independente em cada canal, defina enable_separate_recognition_per_channel como "true".
enable_separate_recognition_per_channel

bool

Precisa ser definido como true de maneira explícita e audio_channel_count > 1 para que cada canal seja reconhecido separadamente. O resultado do reconhecimento vai conter um campo channel_tag para indicar a qual canal o resultado pertence. Se não for verdadeiro, somente o primeiro canal será reconhecido. A solicitação é cobrada cumulativamente para todos os canais reconhecidos: audio_channel_count multiplicado pela duração do áudio.
language_code

string

Obrigatório. Idioma do áudio fornecido como uma tag de idioma BCP-47. Exemplo: "en-US". Para uma lista dos códigos de idioma compatíveis atualmente, consulte o Suporte de idioma.
alternative_language_codes[]

string

Uma lista de até três tags de idioma BCP-47 adicionais, listando possíveis idiomas alternativos do áudio fornecido. Para uma lista dos códigos de idioma compatíveis atualmente, consulte o Suporte de idioma. Se houver idiomas alternativos listados, o resultado do reconhecimento conterá o reconhecimento no idioma mais provável detectado, incluindo o código do idioma principal. O resultado do reconhecimento incluirá a tag de idioma do idioma detectado no áudio. Observação: este recurso só é compatível nos casos de uso de comando de voz e pesquisa por voz, e o desempenho pode variar para outros casos de uso (por exemplo, transcrição de chamada telefônica).
max_alternatives

int32

Número máximo de hipóteses de reconhecimento a serem retornadas. Especificamente, o número máximo de mensagens SpeechRecognitionAlternative em cada SpeechRecognitionResult. O servidor pode retornar menos que max_alternatives. Os valores válidos são 0 a 30. Um valor de 0 ou 1 vai retornar no máximo um. Se omitido, retornará o máximo de um.
profanity_filter

bool

Se definido como true, o servidor tentará filtrar a linguagem obscena, substituindo todos os caracteres, exceto o inicial, em cada palavra filtrada por asteriscos, por exemplo, "f***". Se definido como false ou omitido, as profanações não serão filtradas.
adaptation

SpeechAdaptation

A configuração de adaptação de fala melhora a precisão do reconhecimento de fala. Para mais informações, consulte a documentação sobre adaptação de fala. Quando a adaptação de fala é definida, ela substitui o campo speech_contexts.
transcript_normalization

TranscriptNormalization

Opcional. Use a normalização de transcrição para substituir automaticamente partes da transcrição por frases de sua escolha. Para StreamingRecognize, essa normalização se aplica apenas a transcrições parciais estáveis (estabilidade > 0,8) e transcrições finais.
speech_contexts[]

SpeechContext

Matriz de SpeechContext. Um recurso para fornecer contexto para auxiliar o reconhecimento de fala. Para mais informações, consulte adaptação de fala.
enable_word_time_offsets

bool

Se true, o resultado principal inclui uma lista de palavras e os ajustes de tempo de início e término (marcação de tempo) para essas palavras. Se false, nenhuma informação de ajuste de tempo no nível da palavra será retornada. O padrão é false.
enable_word_confidence

bool

Se true, o resultado principal inclui uma lista de palavras e a confiança delas. Se for false, nenhuma informação de confiança no nível da palavra será retornada. O padrão é false.
enable_automatic_punctuation

bool

Se for "true", adiciona pontuação às hipóteses de resultado de reconhecimento. Esse recurso está disponível somente nos idiomas selecionados. A definição disso para solicitações em outros idiomas não tem efeito. O valor "false" padrão não adiciona pontuação às hipóteses do resultado.
enable_spoken_punctuation

BoolValue

O comportamento da pontuação falada da chamada. Se não for definido, usará o comportamento padrão com base no modelo escolhido. Por exemplo, "command_and_search" vai ativar a pontuação falada por padrão. Se for "true", substitui a pontuação falada pelos símbolos correspondentes na solicitação. Por exemplo, "como você está ponto de interrogação" se torna "como você está?". Consulte https://cloud.google.com/speech-to-text/docs/spoken-punctuation para suporte. Se for "false", a pontuação falada não será substituída.
enable_spoken_emojis

BoolValue

O comportamento do emoji falado na chamada. Se não estiver definido, usa o comportamento padrão com base no modelo escolhido. Se for "true", adiciona a formatação de emoji falado à solicitação. Isso vai substituir os emojis falados pelos símbolos Unicode correspondentes na transcrição final. Se for "false", os emojis falados não serão substituídos.
enable_speaker_diarization
(deprecated)

bool

Se for "true", ativa a detecção de falante para cada palavra reconhecida na alternativa principal do resultado do reconhecimento usando um speaker_label fornecido no WordInfo. Observação: use diarization_config.
diarization_speaker_count
(deprecated)

int32

Se definido, especifica o número estimado de participantes na conversa. O padrão é "2". Ignorado a menos que "enable_speaker_diarization" seja definido como "true". Observação: use diarization_config.
diarization_config

SpeakerDiarizationConfig

Configuração para ativar a diarização de locutores e definir parâmetros adicionais para que ela seja mais adequada ao seu aplicativo. Observação: quando essa opção está ativada, enviamos todas as palavras desde o início do áudio para a melhor alternativa em todas as respostas de STREAMING consecutivas. Isso é feito para melhorar nossas tags de interlocutor porque nossos modelos aprendem a identificá-los na conversa ao longo do tempo. Para solicitações sem streaming, os resultados de diarização serão fornecidos apenas na primeira alternativa do SpeechRecognitionResult FINAL.
metadata

RecognitionMetadata

Metadados sobre esta solicitação.
model

string

Qual modelo selecionar para a solicitação especificada. Selecione o modelo mais adequado ao seu domínio para conseguir os melhores resultados. Se um modelo não for explicitamente especificado, selecionaremos automaticamente um modelo com base nos parâmetros em RecognitionConfig.

Modelo Descrição

latest_long

 Ideal para conteúdo de formato longo, como mídia ou conversas.

latest_short

 Ideal para conteúdo de formato curto, como comandos ou fala direcionada de uma única vez.

command_and_search

 Melhor para consultas curtas, como comandos de voz ou pesquisa por voz.

phone_call

 Melhor para o áudio que se originou de uma chamada telefônica, geralmente registrada com uma taxa de amostragem de 8 khz.

video

 Melhor para o áudio originado de um vídeo ou que inclua vários interlocutores. O ideal é que o áudio seja gravado com uma taxa de amostragem de 16 khz ou mais. Este é um modelo premium que custa mais do que a taxa padrão.

default

 Melhor para o áudio que não é um dos modelos específicos. Por exemplo, áudio de longa duração. O ideal é que o áudio seja de alta fidelidade e gravado com uma taxa de amostragem de 16 khz ou mais.

medical_conversation

 Indicado para áudio originado de uma conversa entre um profissional de saúde e um paciente.

medical_dictation

 Ideal para áudio originado de notas de ditado de um profissional de saúde.

use_enhanced

bool

Defina como "true" para usar um modelo aprimorado de reconhecimento de fala. Se use_enhanced estiver definido como "true" e o campo model não estiver definido, um modelo aprimorado adequado será escolhido se houver um para o áudio.

Se use_enhanced for verdadeiro e não existir uma versão avançada do modelo especificado, a fala será reconhecida usando a versão padrão do modelo especificado.

AudioEncoding

A codificação dos dados de áudio enviados na solicitação.

Todas as codificações são compatíveis com apenas 1 canal (mono) de áudio, a menos que os campos audio_channel_count e enable_separate_recognition_per_channel estejam definidos.

Para melhores resultados, a fonte de áudio precisa ser capturada e transmitida usando uma codificação sem perdas (FLAC ou LINEAR16). A precisão do reconhecimento de fala pode ser reduzida se codecs com perdas forem usados 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 arquivo de áudio FLAC e WAV incluem um cabeçalho que descreve o conteúdo de áudio incluído. Você pode solicitar o reconhecimento para arquivos WAV que contêm áudio codificado com LINEAR16 ou MULAW. Se você enviar o formato de arquivo de áudio FLAC ou WAV na solicitação, não será necessário especificar um AudioEncoding. o formato de codificação de áudio é determinado no cabeçalho do arquivo. Se você especificar um AudioEncoding ao enviar áudio FLAC ou WAV, a configuração de codificação precisará corresponder à codificação descrita no cabeçalho de áudio. Caso contrário, a solicitação retornará um código de erro google.rpc.Code.INVALID_ARGUMENT.

Enums
ENCODING_UNSPECIFIED Não especificado.
LINEAR16 Amostras pouco elaboradas de 16 bits sem compactação (PCM Linear).
FLAC FLAC (Free Lossless Audio Codec) é a codificação recomendada porque não tem perdas. Portanto, o reconhecimento não é comprometido e requer apenas cerca de metade da largura de banda do LINEAR16. A codificação de stream FLAC é compatível com amostras de 16 bits e 24 bits. No entanto, nem todos os campos no STREAMINFO são compatíveis.
MULAW Amostras de 8 bits resultantes do compand de amostras de áudio de 14 bits em que foi usado G.711 PCMU/mu-law.
AMR Codec de banda estreita multitaxa adaptável. sample_rate_hertz precisa ser 8.000.
AMR_WB Codec de banda larga multitaxa adaptável. sample_rate_hertz precisa ser 16.000.
OGG_OPUS Frames de áudio codificados pelo Opus no contêiner Ogg (OggOpus). sample_rate_hertz precisa ser 8.000, 12.000. 16.000, 24.000 ou 48.000.
SPEEX_WITH_HEADER_BYTE Ainda que o uso de codificações com perdas não seja recomendado, se for necessária uma codificação de bitrate muito baixa, OGG_OPUS é altamente preferível em relação à codificação Speex. A codificação Speex compatível com a 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. O stream é uma sequência de blocos, um bloco por pacote RTP. No início de cada bloco, há um byte contendo o comprimento do bloco em bytes, seguido de um ou mais frames de dados Speex, preenchidos com um número inteiro de bytes (octetos) conforme especificado no RFC 5574. Em outras palavras, cada cabeçalho RTP é substituído por um único byte contendo o comprimento do bloco. Somente a banda larga Speex é compatível. sample_rate_hertz precisa ser 16.000.
MP3 Áudio MP3. A codificação MP3 é um recurso Beta e está disponível apenas na v1p1beta1. Compatível com todas as taxas de bits padrão de MP3, que variam de 32 a 320 kbps. Ao usar essa codificação, sample_rate_hertz precisa corresponder à taxa de amostragem do arquivo que está sendo usado.
WEBM_OPUS Frames de áudio codificados Opus em contêiner WebM (WebM). sample_rate_hertz precisa ser 8.000, 12.000, 16.000, 24.000 ou 48.000.
ALAW Amostras de 8 bits resultantes do compand de amostras de áudio de 13 bits em que foi usado G.711 PCMU/a-law.

RecognitionMetadata

Descrição dos dados de áudio a serem reconhecidos.

Campos
interaction_type

InteractionType

Caso de uso que descreve mais detalhadamente o conteúdo de áudio a ser reconhecido.
industry_naics_code_of_audio

uint32

O segmento do setor a que mais se aplica essa solicitação de reconhecimento de fala. Isso é mais indicativo dos tópicos contidos no áudio. Use o código NAICS de 6 dígitos para identificar o segmento do setor - consulte https://www.naics.com/search/.
microphone_distance

MicrophoneDistance

O tipo de áudio que descreve mais detalhadamente o áudio que está sendo reconhecido.
original_media_type

OriginalMediaType

Mídia original em que a fala foi gravada.
recording_device_type

RecordingDeviceType

Tipo de dispositivo usado para gravar a fala.
recording_device_name

string

Dispositivo usado para fazer a gravação. Exemplos "Nexus 5X" ou "Polycom SoundStation IP 6000" ou "POTS" ou "VoIP" ou "Microfone Cardioide".
original_mime_type

string

Tipo Mime do arquivo de áudio original. Por exemplo, audio/m4a, audio/x-alaw-basic, audio/mp3, audio/3gpp. Uma lista de possíveis tipos MIME de áudio é mantida em http://www.iana.org/assignments/media-types/media-types.xhtml#audio
obfuscated_id
(deprecated)

int64

Código de ofuscação protegido por privacidade do usuário para identificar o número de usuários únicos que usam o serviço.
audio_topic

string

Descrição do conteúdo. Por exemplo: "Gravações das audiências do Supremo Tribunal Federal a partir de 2012".

InteractionType

Categorias de caso de uso que descrevem a solicitação de reconhecimento de áudio.

Enums
INTERACTION_TYPE_UNSPECIFIED Caso de uso desconhecido ou diferente de um dos outros valores abaixo.
DISCUSSION Várias pessoas em uma conversa ou discussão. Por exemplo, em uma reunião com a participação ativa de duas ou mais pessoas. Normalmente, todas as principais pessoas que estivessem falando estariam na mesma sala (se não, veja PHONE_CALL)
PRESENTATION Uma ou mais pessoas fazendo palestras ou apresentações para outros, na maior parte do tempo sem interrupções.
PHONE_CALL Uma chamada telefônica ou videoconferência em que duas ou mais pessoas que não estão na mesma sala estão participando ativamente.
VOICEMAIL Uma mensagem gravada destinada à audição de outra pessoa.
PROFESSIONALLY_PRODUCED Áudio produzido profissionalmente (ex. programa de TV, podcast).
VOICE_COMMAND Transcrever comandos de voz, como por exemplo, para controlar um dispositivo.
DICTATION Transcrever fala para texto e criar um documento escrito, como uma mensagem de texto, e-mail ou relatório.

MicrophoneDistance

São enumerados os tipos de configurações de captura que descrevem um arquivo de áudio.

Enums
MICROPHONE_DISTANCE_UNSPECIFIED Tipo de áudio não conhecido.
NEARFIELD O áudio foi capturado a partir de um microfone que estava próximo. Por exemplo, telefone, ditafone ou microfone de mão. Geralmente, se a pessoa que fala estiver a 1 metro do microfone.
MIDFIELD Se a pessoa que fala estiver a 3 metros do microfone.
FARFIELD A pessoa que fala está a mais de 3 metros do microfone.

OriginalMediaType

Mídia original em que a fala foi gravada.

Enums
ORIGINAL_MEDIA_TYPE_UNSPECIFIED Tipo de mídia original desconhecido.
AUDIO Os dados de fala são uma gravação de áudio.
VIDEO Dados de fala gravados originalmente em um vídeo.

RecordingDeviceType

Tipo de dispositivo usado para gravar a fala.

Enums
RECORDING_DEVICE_TYPE_UNSPECIFIED Dispositivo de gravação desconhecido.
SMARTPHONE A fala foi gravada em um smartphone.
PC A fala foi gravada usando um computador pessoal ou um tablet.
PHONE_LINE A fala foi gravada em uma linha telefônica.
VEHICLE A fala foi gravada em um veículo.
OTHER_OUTDOOR_DEVICE A fala foi gravada ao ar livre.
OTHER_INDOOR_DEVICE A fala foi gravada em ambiente fechado.

RecognizeRequest

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

Campos
config

RecognitionConfig

Obrigatório. São fornecidas informações ao reconhecedor que especificam como processar a solicitação.
audio

RecognitionAudio

Obrigatório. Dados de áudio a serem reconhecidos.

RecognizeResponse

A única mensagem retornada ao cliente pelo método Recognize. Ele contém o resultado como zero ou mais mensagens SpeechRecognitionResult sequenciais.

Campos
results[]

SpeechRecognitionResult

Lista sequencial de resultados de transcrição correspondentes a porções sequenciais de áudio.
total_billed_time

Duration

Quando disponível, os segundos de áudio faturados da solicitação correspondente.
speech_adaptation_info

SpeechAdaptationInfo

Fornece informações sobre o comportamento de adaptação na resposta
request_id

int64

O ID associado à solicitação. É um ID exclusivo específico apenas para a solicitação.
using_legacy_models

bool

Se a solicitação usou modelos legados de ASR (não foi migrada automaticamente para usar modelos conformer).

SpeakerDiarizationConfig

Configuração para ativar a diarização de locutor.

Campos
enable_speaker_diarization

bool

Se for "true", ativa a detecção de falante para cada palavra reconhecida na alternativa principal do resultado do reconhecimento usando um speaker_label fornecido no WordInfo.
min_speaker_count

int32

Número mínimo de ocutoresl na conversa. Esse intervalo oferece mais flexibilidade, permitindo que o sistema determine automaticamente o número correto de locutores. Se não for definido, o valor padrão será 2.
max_speaker_count

int32

Número máximo de locutores na conversa. Esse intervalo oferece mais flexibilidade, permitindo que o sistema determine automaticamente o número correto de locutores. Se não for definido, o valor padrão será 6.
speaker_tag
(deprecated)

int32

Apenas saída. Não utilizado.

SpeechAdaptation

Configuração da adaptação de fala.

Campos
phrase_sets[]

PhraseSet

Uma coleção de conjuntos de frases. Para especificar as dicas inline, deixe o name do conjunto de frases em branco e preencha o restante dos campos. Qualquer conjunto de frases pode usar qualquer classe personalizada.
phrase_set_references[]

string

Uma coleção de nomes de recursos de conjunto de frases a serem usados.
custom_classes[]

CustomClass

Uma coleção de classes personalizadas. Para especificar as classes inline, deixe o name da classe em branco e preencha o restante dos campos, a ela um custom_class_id exclusivo. Consulte a classe definida inline nas dicas de frases pelo custom_class_id.
abnf_grammar

ABNFGrammar

A forma aumentada de Backus-Naur (ABNF, na sigla em inglês) é uma notação de gramática 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 serão concatenadas.

SpeechAdaptationInfo

Informações sobre o uso da adaptação de fala nos resultados

Campos
adaptation_timeout

bool

Indica se houve um tempo limite ao aplicar a adaptação de fala. Se for "true", a adaptação não terá efeito na transcrição da resposta.
timeout_message

string

Se definido, retorna uma mensagem especificando qual parte da solicitação de adaptação de voz atingiu o tempo limite.

SpeechContext

São fornecidas "dicas" ao reconhecedor de fala para aceitar palavras e frases específicas nos resultados.

Campos
phrases[]

string

Uma lista de strings contendo "dicas" de palavras e frases para que o reconhecimento de fala seja mais provável. Isso pode ser usado para melhorar a precisão de palavras e frases específicas, por exemplo, se comandos específicos forem normalmente falados pelo usuário. Isso também pode ser usado para adicionar palavras ao vocabulário do reconhecedor. Veja os limites de uso.

Os itens de lista também podem ser definidos como classes para grupos de palavras que representam conceitos comuns que ocorrem em linguagem natural. Por exemplo, em vez de fornecer dicas de frases para todos os meses do ano, usar a classe $MONTH aumenta a probabilidade de transcrever corretamente o áudio que inclui meses.
boost

float

Dica extra. Um valor positivo aumenta a probabilidade de uma frase específica ser reconhecida em vez de outras semelhantes. Quanto maior o aumento, maior a chance de reconhecimento de falsos positivos. Valores de reforço negativo corresponderiam à redução de viés. O anti-biasing não está ativado, então o aumento negativo será ignorado. Embora boost possa aceitar uma ampla variedade de valores positivos, a maioria dos casos de uso é melhor atendida com valores entre 0 e 20. Recomendamos usar uma abordagem de pesquisa binária para encontrar o valor ideal para seu caso de uso.

SpeechRecognitionAlternative

Hipóteses alternativas (conhecido como "n-best list").

Campos
transcript

string

Texto transcrito representando as palavras que o usuário falou. Em idiomas que usam espaços para separar palavras, a transcrição pode ter um espaço à esquerda se não for o primeiro resultado. É possível concatenar cada resultado para obter a transcrição completa sem usar um separador.
confidence

float

Estimativa de confiança entre 0,0 e 1,0. Um número mais alto indica maior probabilidade estimada de que as palavras reconhecidas estejam corretas. Esse campo é definido apenas para a principal alternativa de um resultado não transmitido ou de um resultado transmitido em que is_final=true. Não há garantias quanto à precisão do campo. É recomendável que os usuários não dependam da disponibilidade dele. O padrão de 0,0 é um valor de sentinela indicando que confidence não foi definido.
words[]

WordInfo

Uma lista de informações específicas de cada palavra reconhecida. Observação: quando enable_speaker_diarization é verdadeiro, todas as palavras do início do áudio aparecem.

SpeechRecognitionResult

Resultado de reconhecimento de fala correspondente a uma parte do áudio.

Campos
alternatives[]

SpeechRecognitionAlternative

Pode conter uma ou mais hipóteses de reconhecimento (até o máximo especificado em max_alternatives). Essas alternativas são ordenadas em termos de precisão, sendo a primeira (superior) a mais provável, de acordo com a classificação do reconhecedor.
channel_tag

int32

Para o áudio multicanal, este é o número do canal correspondente ao resultado reconhecido para o áudio desse canal. Para audio_channel_count = N, os valores de saída podem variar de "1" a "N".
result_end_time

Duration

Ajuste de horário relativo ao final deste resultado e correspondente ao início do áudio.
language_code

string

Apenas saída. Tag BCP-47 do idioma neste resultado. Este código de idioma foi detectado como o de maior probabilidade de ser falado no áudio.

StreamingRecognitionConfig

São fornecidas informações ao reconhecedor que especificam como processar a solicitação.

Campos
config

RecognitionConfig

Obrigatório. São fornecidas informações ao reconhecedor que especificam como processar a solicitação.
single_utterance

bool

Se for false ou omitido, o reconhecedor vai realizar o reconhecimento contínuo (continuando a aguardar e processar o áudio, mesmo que o usuário pause a fala) até que o cliente feche o stream de entrada (API gRPC) ou o limite de tempo seja atingido. Pode retornar vários StreamingRecognitionResults com a sinalização is_final definida como true.

Se for true, o reconhecedor vai detectar uma única fala. Ao detectar que o usuário fez uma pausa ou parou de falar, ele retornará um evento END_OF_SINGLE_UTTERANCE e interromperá o reconhecimento. Ele vai retornar no máximo um StreamingRecognitionResult com a flag is_final definida como true.

O campo single_utterance só pode ser usado com modelos especificados. Caso contrário, um erro será gerado. O campo model em RecognitionConfig precisa ser definido como:

  • command_and_search
  • phone_call E campo adicional useEnhanced=true
  • O campo model fica indefinido. Nesse caso, a API seleciona automaticamente um modelo com base em outros parâmetros definidos em RecognitionConfig.
interim_results

bool

Se true, os resultados provisórios (hipóteses provisórias) poderão ser retornados à medida que ficarem disponíveis. Esses resultados são indicados com a flag is_final=false. Se false ou omitido, apenas is_final=true resultado(s) serão retornados.
enable_voice_activity_events

bool

Se true, as respostas com eventos de fala de atividade de voz serão retornadas conforme forem detectadas.
voice_activity_timeout

VoiceActivityTimeout

Se definido, o servidor vai fechar automaticamente o stream após o período especificado decorrido desde o envio do último evento de fala VOICE_ACTIVITY. O campo voice_activity_events também precisa ser definido como verdadeiro.

VoiceActivityTimeout

Eventos em que um tempo limite pode ser definido para atividade de voz.

Campos
speech_start_timeout

Duration

Duração para atingir o tempo limite do stream se nenhuma fala for iniciada.
speech_end_timeout

Duration

Duração para atingir o tempo limite da transmissão após o fim da fala.

StreamingRecognitionResult

Resultado de reconhecimento de fala em streaming correspondente a uma parte do áudio que está sendo processado no momento.

Campos
alternatives[]

SpeechRecognitionAlternative

Pode conter uma ou mais hipóteses de reconhecimento (até o máximo especificado em max_alternatives). Essas alternativas são ordenadas em termos de precisão, sendo a primeira (superior) a mais provável, de acordo com a classificação do reconhecedor.
is_final

bool

Se for false, esse StreamingRecognitionResult representará um resultado intermediário que pode mudar. Se true, esta será a última vez que o serviço de fala retornará esse StreamingRecognitionResult específico. O reconhecedor não retornará mais hipóteses para essa parte da transcrição e do áudio correspondente.
stability

float

Estimativa da probabilidade de o reconhecedor não alterar o palpite sobre esse resultado provisório. Os valores variam de 0,0 (completamente instável) a 1,0 (completamente estável). Este campo é fornecido apenas para resultados temporários (is_final=false). O padrão de 0,0 é um valor de sentinela indicando que stability não foi definido.
result_end_time

Duration

Ajuste de horário relativo ao final deste resultado e correspondente ao início do áudio.
channel_tag

int32

Para o áudio multicanal, este é o número do canal correspondente ao resultado reconhecido para o áudio desse canal. Para audio_channel_count = N, os valores de saída podem variar de "1" a "N".
language_code

string

Apenas saída. Tag BCP-47 do idioma neste resultado. Este código de idioma foi detectado como o de maior probabilidade de ser falado no áudio.

StreamingRecognizeRequest

A mensagem de nível superior enviada pelo cliente para o método StreamingRecognize. Várias mensagens StreamingRecognizeRequest são enviadas. A primeira mensagem precisa conter uma mensagem streaming_config e não pode conter audio_content. Todas as mensagens subsequentes precisam conter audio_content e não podem conter uma mensagem streaming_config.

Campos
Campo de união streaming_request. A solicitação de streaming, que é uma configuração ou um conteúdo de áudio. streaming_request pode ser apenas de um dos tipos a seguir:
streaming_config

StreamingRecognitionConfig

São fornecidas ao reconhecedor as informações que especificam como processar a solicitação. A primeira mensagem StreamingRecognizeRequest precisa conter uma mensagem streaming_config.
audio_content

bytes

Dados de áudio a serem reconhecidos. Os blocos 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 precisam conter dados audio_content. Os bytes de áudio precisam ser codificados conforme especificado em RecognitionConfig. Observação: como em todos os campos de bytes, os protobuffers usam uma representação binária pura, não base64. Consulte os limites de conteúdo.

StreamingRecognizeResponse

StreamingRecognizeResponse é a única mensagem retornada ao cliente por StreamingRecognize. Uma série de zero ou mais mensagens StreamingRecognizeResponse é transmitida de volta para o cliente. Se não houver áudio reconhecível e single_utterance for definido como falso, nenhuma mensagem será transmitida de volta para o cliente.

Veja um exemplo de uma série de StreamingRecognizeResponse s que podem ser retornados durante o processamento de áudio:

  1. resultados { alternativas { transcrição: "tube" } estabilidade: 0,01 }

  2. resultados { alternativas { transcrição: "to be a" } estabilidade: 0,01 }

  3. resultados { alternativas { transcrição: "to be" } estabilidade: 0,9 } resultados { alternativas { transcrição: "or not to be" } estabilidade: 0,01 }

  4. resultados { alternativas { transcrição: "to be or not to be" confiança: 0,92 } alternativas { transcrição: "to bee or not to bee"} is_final: true }

  5. resultados { alternativas { transcrição: "that's" } estabilidade: 0,01 }

  6. resultados { alternativas { transcrição: "that is" } estabilidade: 0,9 } resultados { alternativas { transcrição: "the question" } estabilidade: 0,01 }

  7. resultados { alternativas { transcrição: "that is the question" confiança: 0,98 } alternativas { transcrição: "that was the question" } is_final: true }

Observações:

  • Apenas duas das respostas acima (nº 4 e nº 7) contêm resultados finais, indicados por is_final: true. Concatená-los juntos gera a transcrição completa: "ser ou não ser, essa é a questão".

  • Os outros contêm results provisórios. #3 e #6 contêm dois results temporários: a primeira parte tem uma alta estabilidade e é menos provável que mude; a segunda parte tem baixa estabilidade e é muito provável que mude. Um designer de UI pode optar por mostrar apenas results de alta estabilidade.

  • Os valores stability e confidence específicos mostrados acima são apenas para fins ilustrativos. Os valores reais podem variar.

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

Campos
error

Status

Se definido, retorna uma mensagem google.rpc.Status que especifica o erro para a operação.
results[]

StreamingRecognitionResult

Essa lista repetida contém zero ou mais resultados que correspondem a porções consecutivas do áudio em processamento no momento. Ele contém zero ou um resultado is_final=true (a parte recém-definida), seguido por zero ou mais resultados is_final=false (os resultados intermediários).
speech_event_type

SpeechEventType

Indica o tipo de evento de fala.
speech_event_time

Duration

Diferença de horário entre o início do áudio e a emissão de eventos.
total_billed_time

Duration

Quando disponível, os segundos de áudio faturados da transmissão. Definido apenas se esta for a última resposta no fluxo.
speech_adaptation_info

SpeechAdaptationInfo

Fornece informações sobre o comportamento de adaptação na resposta
request_id

int64

O ID associado à solicitação. É um ID exclusivo específico apenas para a solicitação.

SpeechEventType

Indica o tipo de evento de fala.

Enums
SPEECH_EVENT_UNSPECIFIED Nenhum evento de fala especificado.
END_OF_SINGLE_UTTERANCE Esse evento indica que o servidor detectou o fim da fala do usuário e não espera nenhuma fala adicional. Portanto, o servidor não processará áudio adicional, ainda que possa retornar resultados adicionais posteriormente. O cliente deve parar de enviar dados de áudio adicionais, fechar a metade da conexão gRPC e aguardar quaisquer resultados adicionais até o servidor fechar a conexão gRPC. Este evento só é enviado se single_utterance tiver sido definido como true e não for usado de outra forma.
SPEECH_ACTIVITY_BEGIN Esse evento indica que o servidor detectou o início da atividade de voz humana no stream. Esse evento pode ser retornado várias vezes se a fala começar e parar repetidamente durante o stream. Esse evento só é enviado se voice_activity_events estiver definido como verdadeiro.
SPEECH_ACTIVITY_END Esse evento indica que o servidor detectou o fim da atividade de voz humana no stream. Esse evento pode ser retornado várias vezes se a fala começar e parar repetidamente durante o stream. Esse evento só é enviado se voice_activity_events estiver definido como verdadeiro.
SPEECH_ACTIVITY_TIMEOUT Esse evento indica que o tempo limite definido pelo usuário para o início ou o fim da atividade de fala foi excedido. Ao receber esse evento, o cliente deve enviar um fechamento parcial. Outros áudios não serão processados.

TranscriptNormalization

Configuração de normalização de transcrição. Use a normalização de transcrição para substituir automaticamente partes da transcrição por frases de sua escolha. Para StreamingRecognize, essa normalização se aplica 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 por vez. Por exemplo, a segunda entrada em ["cat" => "dog", "mountain cat" => "mountain dog"] nunca será aplicada porque sempre processaremos a primeira entrada antes dela. No máximo 100 entradas.

Entrada

Uma única configuração de substituição.

Campos
search

string

O que substituir. O tamanho máximo é de 100 caracteres.
replace

string

O que substituir. O tamanho máximo é de 100 caracteres.
case_sensitive

bool

Se a pesquisa diferencia maiúsculas de minúsculas.

TranscriptOutputConfig

Especifica um destino opcional para os resultados do reconhecimento.

Campos

Campo de união output_type.

output_type pode ser apenas de um dos tipos a seguir:
gcs_uri

string

Especifica um URI do Cloud Storage para os resultados do reconhecimento. Precisa ser especificado no formato gs://bucket_name/object_name, e o bucket já precisa existir.

UpdateCustomClassRequest

Mensagem enviada pelo cliente para o método UpdateCustomClass.

Campos
custom_class

CustomClass

Obrigatório. A classe personalizada a ser atualizada.

O campo name da classe personalizada é usado para identificar a classe a ser atualizada. Formato:

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

A Speech-to-Text oferece suporte a três locais: global, us (América do Norte dos EUA) e eu (Europa). Se você estiver chamando o endpoint speech.googleapis.com, use o local global. Para especificar uma região, use um endpoint regional com o valor de local us ou eu correspondente.

A autorização requer a seguinte permissão do IAM no recurso especificado customClass:

  • speech.customClasses.update
update_mask

FieldMask

A lista de campos a serem atualizados.

UpdatePhraseSetRequest

Mensagem enviada pelo cliente para o método UpdatePhraseSet.

Campos
phrase_set

PhraseSet

Obrigatório. O conjunto de frases a ser atualizado.

O campo name do conjunto de frases é usado para identificar o conjunto a ser atualizado. Formato:

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

A Speech-to-Text oferece suporte a três locais: global, us (América do Norte dos EUA) e eu (Europa). Se você estiver chamando o endpoint speech.googleapis.com, use o local global. Para especificar uma região, use um endpoint regional com o valor de local us ou eu correspondente.

A autorização requer a seguinte permissão do IAM no recurso especificado phraseSet:

  • speech.phraseSets.update
update_mask

FieldMask

A lista de campos a serem atualizados.

WordInfo

Informações específicas de palavras reconhecidas.

Campos
start_time

Duration

Ajuste de horário 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 superior. Este é um recurso experimental e a precisão do ajuste de horário pode variar.
end_time

Duration

Ajuste de horário relativo ao início do áudio e correspondente ao final da palavra falada. Este campo só é definido se enable_word_time_offsets=true e apenas na hipótese superior. Este é um recurso experimental e a precisão do ajuste de horário pode variar.
word

string

A palavra correspondente a este conjunto de informações.
confidence

float

Estimativa de confiança entre 0,0 e 1,0. Um número mais alto indica maior probabilidade estimada de que as palavras reconhecidas estejam corretas. Esse campo é definido apenas para a principal alternativa de um resultado não transmitido ou de um resultado transmitido em que is_final=true. Não há garantias quanto à precisão do campo. É recomendável que os usuários não dependam da disponibilidade dele. O padrão de 0,0 é um valor de sentinela indicando que confidence não foi definido.
speaker_tag
(deprecated)

int32

Apenas saída. Um valor inteiro distinto é atribuído a cada interlocutor no áudio. Este campo especifica qual desses interlocutores foi detectado na fala desta palavra. O valor varia de "1" a diarization_speaker_count. speaker_tag é definido se enable_speaker_diarization = "true" e apenas para a melhor alternativa. Observação: use speaker_label.
speaker_label

string

Apenas saída. Um valor de rótulo atribuído a cada falante exclusivo no áudio. Esse campo especifica qual falante foi detectado como tendo falado essa palavra. Para alguns modelos, como "medical_conversation", pode ser a função real do falante, por exemplo, "paciente" ou "profissional de saúde", mas geralmente é um número que identifica um falante. Este campo só é definido se enable_speaker_diarization = "true" e apenas para a alternativa principal.