CCAI-Transkription

Mit der CCAI-Transkription kannst du deine gestreamten Audiodaten in Echtzeit in Transkripttext umwandeln. Agent Assist macht Vorschläge basierend auf Text. Daher müssen Audiodaten konvertiert werden, bevor sie verwendet werden können. Sie können auch transkribiertes Streaming-Audio mit CCAI Insights verwenden, um Echtzeitdaten zu Kundenservicemitarbeiter-Unterhaltungen zu erheben (z. B. Themenmodellierung).

Es gibt zwei Möglichkeiten, Streaming-Audio für die Verwendung mit CCAI zu transkribieren: mit der SIPREC-Funktion oder mit gRPC-Aufrufen mit Audiodaten als Nutzlast. Auf dieser Seite wird beschrieben, wie Streaming-Audiodaten mit gRPC-Aufrufen transkribiert werden.

Die CCAI-Transkription verwendet die Streamingspracherkennung von Speech-to-Text. Speech-to-Text bietet mehrere Erkennungsmodelle, Standard- und erweiterte. Die CCAI-Transkription wird nur auf GA-Ebene unterstützt, wenn sie mit dem optimierten Modell für Telefonanrufe verwendet wird.

Vorbereitung

Unterhaltungsprofil erstellen

Wenn Sie ein Unterhaltungsprofil erstellen möchten, verwenden Sie die Agent Assist Console oder rufen Sie die Methode create für die Ressource ConversationProfile direkt auf.

Für die CCAI-Transkription empfehlen wir, ConversationProfile.stt_config als Standard-InputAudioConfig zu konfigurieren, wenn Sie Audiodaten in einer Unterhaltung senden.

Transkripte während der Unterhaltung abrufen

Wenn Sie während einer Unterhaltung eine Transkription erhalten möchten, müssen Sie Teilnehmer für die Unterhaltung erstellen und Audiodaten für jeden Teilnehmer senden.

Teilnehmer erstellen

Es gibt drei Arten von Teilnehmern. Weitere Informationen zu ihren Rollen finden Sie in der Referenzdokumentation. Rufen Sie die Methode create für participant auf und geben Sie role an. Nur ein END_USER- oder HUMAN_AGENT-Teilnehmer kann StreamingAnalyzeContent anrufen, was für eine Transkription erforderlich ist.

Audiodaten senden und Transkript erhalten

Mit StreamingAnalyzeContent können Sie das Audio eines Teilnehmers an Google senden und mit den folgenden Parametern eine Transkription erhalten:

  • Die erste Anfrage im Stream muss InputAudioConfig sein. (Die hier konfigurierten Felder überschreiben die entsprechenden Einstellungen unter ConversationProfile.stt_config.) Senden Sie erst nach der zweiten Anfrage Audioeingaben.

    • audioEncoding muss auf AUDIO_ENCODING_LINEAR_16 oder AUDIO_ENCODING_MULAW gesetzt sein.
    • model: Das ist das Speech-to-Text-Modell, das Sie zum Transkribieren Ihrer Audioinhalte verwenden möchten. Legen Sie für dieses Feld den Wert telephony fest.
    • Für die beste Transkriptionsqualität sollte singleUtterance auf false festgelegt werden. Du solltest END_OF_SINGLE_UTTERANCE nicht erwarten, wenn singleUtterance false ist. Du kannst jedoch davon ausgehen, dass isFinal==true in StreamingAnalyzeContentResponse.recognition_result den Stream halb schließt.
    • Optionale zusätzliche Parameter: Die folgenden Parameter sind optional. Wenden Sie sich an Ihren Google-Ansprechpartner, um Zugriff auf diese Parameter zu erhalten.
      • languageCode: language_code des Audios. Der Standardwert ist en-US.
      • alternativeLanguageCodes: Zusätzliche Sprachen, die im Audioinhalt erkannt werden könnten. Agent Assist verwendet das Feld language_code, um die Sprache zu Beginn des Audiostreams automatisch zu erkennen und bei allen folgenden Unterhaltungsrunden beizubehalten. Im Feld alternativeLanguageCodes können Sie weitere Optionen für Agent Assist angeben.
      • phraseSets: Der Name der phraseSet-Ressource für die Anpassung des Sprach-zu-Text-Modells. Wenn Sie die Modellanpassung mit der CCAI-Transkription verwenden möchten, müssen Sie zuerst die phraseSet mit der Speech-to-Text API erstellen und hier den Ressourcennamen angeben.
  • Nachdem du die zweite Anfrage mit Audionutzlast gesendet hast, solltest du StreamingAnalyzeContentResponses aus dem Stream empfangen.

    • Sie können den Stream halb schließen (oder das Senden in einigen Sprachen wie Python beenden), wenn is_final in StreamingAnalyzeContentResponse.recognition_result auf true gesetzt ist.
    • Nachdem Sie den Stream halb geschlossen haben, sendet der Server die Antwort mit dem endgültigen Transkript sowie möglichen Dialogflow- oder Agent Assist-Vorschlägen zurück.
  • Sie finden die endgültige Transkription an den folgenden Speicherorten:

  • Starten Sie einen neuen Stream, nachdem der vorherige geschlossen wurde.

    • Audio noch einmal senden: Audiodaten, die nach der letzten speech_end_offset der Antwort mit is_final=true bis zur neuen Streamstartzeit generiert werden, müssen für eine optimale Transkriptionsqualität noch einmal an StreamingAnalyzeContent gesendet werden.
  • Im folgenden Diagramm wird die Funktionsweise von Streams veranschaulicht.

Beispiel für Code für Streamingerkennungsanfrage

Im folgenden Codebeispiel wird gezeigt, wie eine Streaming-Transkriptionsanfrage gesendet wird:

Python

Richten Sie zur Authentifizierung bei Agent Assist Standardanmeldedaten für Anwendungen ein. Weitere Informationen finden Sie unter Authentifizierung für eine lokale Entwicklungsumgebung einrichten.

# Copyright 2023 Google LLC
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

"""Google Cloud Dialogflow API sample code using the StreamingAnalyzeContent
API.

Also please contact Google to get credentials of this project and set up the
credential file json locations by running:
export GOOGLE_APPLICATION_CREDENTIALS=<cred_json_file_location>

Example usage:
    export GOOGLE_CLOUD_PROJECT='cloud-contact-center-ext-demo'
    export CONVERSATION_PROFILE='FnuBYO8eTBWM8ep1i-eOng'
    export GOOGLE_APPLICATION_CREDENTIALS='/Users/ruogu/Desktop/keys/cloud-contact-center-ext-demo-78798f9f9254.json'
    python streaming_transcription.py

Then started to talk in English, you should see transcription shows up as you speak.

Say "Quit" or "Exit" to stop.
"""

import os
import re
import sys

from google.api_core.exceptions import DeadlineExceeded

import pyaudio

from six.moves import queue

import conversation_management
import participant_management

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")
CONVERSATION_PROFILE_ID = os.getenv("CONVERSATION_PROFILE")

# Audio recording parameters
SAMPLE_RATE = 16000
CHUNK_SIZE = int(SAMPLE_RATE / 10)  # 100ms
RESTART_TIMEOUT = 160  # seconds
MAX_LOOKBACK = 3  # seconds

YELLOW = "\033[0;33m"


class ResumableMicrophoneStream:
    """Opens a recording stream as a generator yielding the audio chunks."""

    def __init__(self, rate, chunk_size):
        self._rate = rate
        self.chunk_size = chunk_size
        self._num_channels = 1
        self._buff = queue.Queue()
        self.is_final = False
        self.closed = True
        # Count the number of times the stream analyze content restarts.
        self.restart_counter = 0
        self.last_start_time = 0
        # Time end of the last is_final in millisec since last_start_time.
        self.is_final_offset = 0
        # Save the audio chunks generated from the start of the audio stream for
        # replay after restart.
        self.audio_input_chunks = []
        self.new_stream = True
        self._audio_interface = pyaudio.PyAudio()
        self._audio_stream = self._audio_interface.open(
            format=pyaudio.paInt16,
            channels=self._num_channels,
            rate=self._rate,
            input=True,
            frames_per_buffer=self.chunk_size,
            # Run the audio stream asynchronously to fill the buffer object.
            # This is necessary so that the input device's buffer doesn't
            # overflow while the calling thread makes network requests, etc.
            stream_callback=self._fill_buffer,
        )

    def __enter__(self):
        self.closed = False
        return self

    def __exit__(self, type, value, traceback):
        self._audio_stream.stop_stream()
        self._audio_stream.close()
        self.closed = True
        # Signal the generator to terminate so that the client's
        # streaming_recognize method will not block the process termination.
        self._buff.put(None)
        self._audio_interface.terminate()

    def _fill_buffer(self, in_data, *args, **kwargs):
        """Continuously collect data from the audio stream, into the buffer in
        chunksize."""

        self._buff.put(in_data)
        return None, pyaudio.paContinue

    def generator(self):
        """Stream Audio from microphone to API and to local buffer"""
        try:
            # Handle restart.
            print("restart generator")
            # Flip the bit of is_final so it can continue stream.
            self.is_final = False
            total_processed_time = self.last_start_time + self.is_final_offset
            processed_bytes_length = (
                int(total_processed_time * SAMPLE_RATE * 16 / 8) / 1000
            )
            self.last_start_time = total_processed_time
            # Send out bytes stored in self.audio_input_chunks that is after the
            # processed_bytes_length.
            if processed_bytes_length != 0:
                audio_bytes = b"".join(self.audio_input_chunks)
                # Lookback for unprocessed audio data.
                need_to_process_length = min(
                    int(len(audio_bytes) - processed_bytes_length),
                    int(MAX_LOOKBACK * SAMPLE_RATE * 16 / 8),
                )
                # Note that you need to explicitly use `int` type for substring.
                need_to_process_bytes = audio_bytes[(-1) * need_to_process_length :]
                yield need_to_process_bytes

            while not self.closed and not self.is_final:
                data = []
                # Use a blocking get() to ensure there's at least one chunk of
                # data, and stop iteration if the chunk is None, indicating the
                # end of the audio stream.
                chunk = self._buff.get()

                if chunk is None:
                    return
                data.append(chunk)
                # Now try to the rest of chunks if there are any left in the _buff.
                while True:
                    try:
                        chunk = self._buff.get(block=False)

                        if chunk is None:
                            return
                        data.append(chunk)

                    except queue.Empty:
                        break
                self.audio_input_chunks.extend(data)
                if data:
                    yield b"".join(data)
        finally:
            print("Stop generator")


def main():
    """start bidirectional streaming from microphone input to Dialogflow API"""
    # Create conversation.
    conversation = conversation_management.create_conversation(
        project_id=PROJECT_ID, conversation_profile_id=CONVERSATION_PROFILE_ID
    )

    conversation_id = conversation.name.split("conversations/")[1].rstrip()

    # Create end user participant.
    end_user = participant_management.create_participant(
        project_id=PROJECT_ID, conversation_id=conversation_id, role="END_USER"
    )
    participant_id = end_user.name.split("participants/")[1].rstrip()

    mic_manager = ResumableMicrophoneStream(SAMPLE_RATE, CHUNK_SIZE)
    print(mic_manager.chunk_size)
    sys.stdout.write(YELLOW)
    sys.stdout.write('\nListening, say "Quit" or "Exit" to stop.\n\n')
    sys.stdout.write("End (ms)       Transcript Results/Status\n")
    sys.stdout.write("=====================================================\n")

    with mic_manager as stream:
        while not stream.closed:
            terminate = False
            while not terminate:
                try:
                    print(f"New Streaming Analyze Request: {stream.restart_counter}")
                    stream.restart_counter += 1
                    # Send request to streaming and get response.
                    responses = participant_management.analyze_content_audio_stream(
                        conversation_id=conversation_id,
                        participant_id=participant_id,
                        sample_rate_herz=SAMPLE_RATE,
                        stream=stream,
                        timeout=RESTART_TIMEOUT,
                        language_code="en-US",
                        single_utterance=False,
                    )

                    # Now, print the final transcription responses to user.
                    for response in responses:
                        if response.message:
                            print(response)
                        if response.recognition_result.is_final:
                            print(response)
                            # offset return from recognition_result is relative
                            # to the beginning of audio stream.
                            offset = response.recognition_result.speech_end_offset
                            stream.is_final_offset = int(
                                offset.seconds * 1000 + offset.microseconds / 1000
                            )
                            transcript = response.recognition_result.transcript
                            # Half-close the stream with gRPC (in Python just stop yielding requests)
                            stream.is_final = True
                            # Exit recognition if any of the transcribed phrase could be
                            # one of our keywords.
                            if re.search(r"\b(exit|quit)\b", transcript, re.I):
                                sys.stdout.write(YELLOW)
                                sys.stdout.write("Exiting...\n")
                                terminate = True
                                stream.closed = True
                                break
                except DeadlineExceeded:
                    print("Deadline Exceeded, restarting.")

            if terminate:
                conversation_management.complete_conversation(
                    project_id=PROJECT_ID, conversation_id=conversation_id
                )
                break


if __name__ == "__main__":
    main()