Transcripción de CCAI

La transcripción de CCAI te permite convertir tus datos de audio de transmisión en texto transcrito en tiempo real. Agent Assist hace sugerencias basadas en texto, por lo que los datos de audio deben convertirse antes de que se puedan usar. También puedes usar audio de transmisión transcrito con CCAI Insights para recopilar datos en tiempo real sobre las conversaciones de los agentes (por ejemplo, modelado de temas).

Existen dos maneras de transcribir audio de transmisión para usarlo con CCAI: con la función SIPREC o con llamadas a gRPC con datos de audio como carga útil. En esta página, se describe el proceso de transcripción de datos de audio en transmisión con llamadas a gRPC.

La Transcripción de CCAI funciona con el reconocimiento de voz en tiempo real de Speech-to-Text. Speech-to-Text ofrece varios modelos de reconocimiento, estándar y mejorados. La transcripción de CCAI solo se admite a nivel de GA cuando se usa con el modelo de llamada telefónica mejorada.

Requisitos previos

Crea un perfil de conversación

Para crear un perfil de conversación, usa la consola de Agent Assist o llama al método create en el recurso ConversationProfile directamente.

Para la transcripción de CCAI, te recomendamos que configures ConversationProfile.stt_config como el InputAudioConfig predeterminado cuando envíes datos de audio en una conversación.

Cómo obtener transcripciones durante el tiempo de ejecución de la conversación

Para obtener transcripciones durante el tiempo de ejecución de la conversación, debes crear participantes para la conversación y enviar datos de audio para cada uno de ellos.

Crea participantes

Existen tres tipos de participantes. Consulta la documentación de referencia para obtener más detalles sobre sus roles. Llama al método create en el participant y especifica el role. Solo un participante de END_USER o HUMAN_AGENT puede llamar a StreamingAnalyzeContent, que es necesario para obtener una transcripción.

Envía datos de audio y obtén una transcripción

Puedes usar StreamingAnalyzeContent para enviar el audio de un participante a Google y obtener la transcripción con los siguientes parámetros:

  • La primera solicitud en la transmisión debe ser InputAudioConfig. (Los campos configurados aquí anula la configuración correspondiente en ConversationProfile.stt_config). No envíes ninguna entrada de audio hasta la segunda solicitud.

    • audioEncoding debe establecerse como AUDIO_ENCODING_LINEAR_16 o AUDIO_ENCODING_MULAW.
    • model: Es el modelo de Texto a voz que deseas usar para transcribir tu audio. Establece este campo como telephony.
    • singleUtterance debe establecerse en false para obtener la mejor calidad de transcripción. No debes esperar END_OF_SINGLE_UTTERANCE si singleUtterance es false, pero puedes depender de isFinal==true dentro de StreamingAnalyzeContentResponse.recognition_result para cerrar la transmisión a medias.
    • Parámetros adicionales opcionales: Los siguientes parámetros son opcionales. Para obtener acceso a estos parámetros, comunícate con tu representante de Google.
      • languageCode: language_code del audio. El valor predeterminado es en-US.
      • alternativeLanguageCodes: Idiomas adicionales que se podrían detectar en el audio. Agent Assist usa el campo language_code para detectar automáticamente el idioma al comienzo del audio y se adhiere a él en todos los turnos de conversación posteriores. El campo alternativeLanguageCodes te permite especificar más opciones para que Agent Assist elija.
      • phraseSets: Es el nombre del recurso phraseSet de la adaptación del modelo de voz a texto. Para usar la adaptación de modelos con la transcripción de CCAI, primero debes crear el phraseSet con la API de Speech-to-Text y especificar el nombre del recurso aquí.

  • Después de enviar la segunda solicitud con la carga útil de audio, deberías comenzar a recibir algunos StreamingAnalyzeContentResponses de la transmisión.

    • Puedes cerrar la transmisión a medias (o dejar de enviar en algunos lenguajes, como Python) cuando veas que is_final está configurado como true en StreamingAnalyzeContentResponse.recognition_result.
    • Después de cerrar la transmisión a medias, el servidor enviará la respuesta que contiene la transcripción final, junto con posibles sugerencias de Dialogflow o de Agent Assist.

  • Puedes encontrar la transcripción final en las siguientes ubicaciones:

  • Inicia una transmisión nueva después de que se cierre la anterior.

    • Reenvío de audio: Los datos de audio generados después del último speech_end_offset de la respuesta con is_final=true hasta la hora de inicio de la transmisión nueva deben volver a enviarse a StreamingAnalyzeContent para obtener la mejor calidad de transcripción.

  • Este es el diagrama que ilustra cómo funciona la transmisión.

Muestra de código de solicitud de reconocimiento continuo

En la siguiente muestra de código, se muestra cómo enviar una solicitud de transcripción en tiempo real:

Python

Para autenticarte en Agent Assist, configura las credenciales predeterminadas de la aplicación. Si deseas obtener más información, consulta Configura la autenticación para un entorno de desarrollo local. 

# 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()