Mentranskripsikan file audio dengan fungsi ML.TRANSCRIBE

Dokumen ini menjelaskan cara menggunakan fungsi ML.TRANSCRIBE dengan model jarak jauh untuk mentranskripsikan file audio dari tabel objek.

Lokasi yang didukung

Anda harus membuat model jarak jauh yang digunakan dalam prosedur ini di salah satu lokasi berikut:

• asia-northeast1
• asia-south1
• asia-southeast1
• australia-southeast1
• eu
• europe-west1
• europe-west2
• europe-west3
• europe-west4
• northamerica-northeast1
• us
• us-central1
• us-east1
• us-east4
• us-west1

Anda harus menjalankan fungsi ML.TRANSCRIBE di region yang sama dengan model jarak jauh.

Izin yang diperlukan

• Untuk menggunakan pengenal Speech-to-Text, Anda memerlukan peran berikut:

  • speech.recognizers.create
  • speech.recognizers.get
  • speech.recognizers.recognize
  • speech.recognizers.update

• Untuk membuat koneksi, Anda memerlukan keanggotaan dalam peran berikut:

  • roles/bigquery.connectionAdmin

• Untuk membuat model menggunakan BigQuery ML, Anda memerlukan izin berikut:

  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData
  • bigquery.models.updateMetadata

• Untuk menjalankan inferensi, Anda memerlukan izin berikut:

  • bigquery.tables.getData pada tabel objek
  • bigquery.models.getData pada model
  • bigquery.jobs.create

Sebelum memulai

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

3. Make sure that billing is enabled for your Google Cloud project.

4. Aktifkan API BigQuery, BigQuery Connection API, and Speech-to-Text.

   Mengaktifkan API

5. Di konsol Google Cloud, pada halaman pemilih project, pilih atau buat project Google Cloud.

   Catatan: Jika tidak berencana untuk menyimpan resource yang Anda buat dalam prosedur ini, buatlah project, bukan memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project, yang menghapus semua resource yang terkait dengan project ini.

   Buka pemilih project

6. Make sure that billing is enabled for your Google Cloud project.

7. Aktifkan API BigQuery, BigQuery Connection API, and Speech-to-Text.

   Mengaktifkan API

Membuat pengenal

Speech-to-Text mendukung resource yang disebut pengenal. Pengenal merepresentasikan konfigurasi pengenalan yang tersimpan dan dapat digunakan kembali. Anda dapat membuat pengenal untuk mengelompokkan transkripsi atau traffic secara logis untuk aplikasi Anda.

Membuat pengenal ucapan bersifat opsional. Jika Anda memilih untuk membuat pengenal ucapan, catat project ID, lokasi, dan ID pengenal pengenal untuk digunakan dalam pernyataan CREATE MODEL, seperti yang dijelaskan dalam SPEECH_RECOGNIZER. Jika memilih untuk tidak membuat pengenal ucapan, Anda harus menentukan nilai untuk argumen recognition_config dari fungsi ML.TRANSCRIBE.

Anda hanya dapat menggunakan model transkripsi chirp dalam pengenal ucapan atau nilai recognition_config yang Anda berikan.

Membuat koneksi

Buat koneksi resource cloud dan dapatkan akun layanan koneksi.

Pilih salah satu opsi berikut:

Konsol

1. Buka halaman BigQuery.

   Buka BigQuery

2. Untuk membuat koneksi, klik Tambahkan, lalu klik Koneksi ke sumber data eksternal.

3. Dalam daftar Connection type, pilih Vertex AI remote models, remote functions and BigLake (Cloud Resource).

4. Di kolom Connection ID, masukkan nama untuk koneksi Anda.

5. Klik Create connection.

6. Klik Go to connection.

7. Di panel Connection info, salin ID akun layanan untuk digunakan di langkah berikutnya.

bq

1. Di lingkungan command line, buat koneksi:

   bq mk --connection --location=REGION --project_id=PROJECT_ID \
       --connection_type=CLOUD_RESOURCE CONNECTION_ID

   Parameter --project_id akan mengganti project default.

   Ganti kode berikut:

   • REGION: region koneksi Anda
   • PROJECT_ID: project ID Google Cloud Anda
   • CONNECTION_ID: ID untuk koneksi Anda

   Saat Anda membuat resource koneksi, BigQuery akan membuat akun layanan sistem unik dan mengaitkannya dengan koneksi.

   Pemecahan masalah: Jika Anda mendapatkan error koneksi berikut, update Google Cloud SDK:

   Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
   

2. Ambil dan salin ID akun layanan untuk digunakan di langkah berikutnya:

   bq show --connection PROJECT_ID.REGION.CONNECTION_ID

   Outputnya mirip dengan hal berikut ini:

   name                          properties
   1234.REGION.CONNECTION_ID     {"serviceAccountId": "connection-1234-9u56h9@gcp-sa-bigquery-condel."}
   

Terraform

Gunakan resource google_bigquery_connection.

Catatan: Untuk membuat objek BigQuery menggunakan Terraform, Anda harus mengaktifkan Cloud Resource Manager API.

Untuk melakukan autentikasi ke BigQuery, siapkan Kredensial Default Aplikasi. Untuk informasi selengkapnya, lihat Menyiapkan autentikasi untuk library klien.

Contoh berikut membuat koneksi resource Cloud bernama my_cloud_resource_connection di region US:

# This queries the provider for project information.
data "google_project" "default" {}

# This creates a cloud resource connection in the US region named my_cloud_resource_connection.
# Note: The cloud resource nested object has only one output field - serviceAccountId.
resource "google_bigquery_connection" "default" {
  connection_id = "my_cloud_resource_connection"
  project       = data.google_project.default.project_id
  location      = "US"
  cloud_resource {}
}

Untuk menerapkan konfigurasi Terraform di project Google Cloud, selesaikan langkah-langkah di bagian berikut.

Menyiapkan Cloud Shell

1. Luncurkan Cloud Shell.

2. Tetapkan project Google Cloud default tempat Anda ingin menerapkan konfigurasi Terraform.

   Anda hanya perlu menjalankan perintah ini sekali per project, dan dapat dijalankan di direktori mana pun.

   export GOOGLE_CLOUD_PROJECT=PROJECT_ID

   Variabel lingkungan akan diganti jika Anda menetapkan nilai eksplisit dalam file konfigurasi Terraform.

Menyiapkan direktori

Setiap file konfigurasi Terraform harus memiliki direktorinya sendiri (juga disebut modul root).

1. Di Cloud Shell, buat direktori dan file baru di dalam direktori tersebut. Nama file harus memiliki ekstensi .tf—misalnya main.tf. Dalam tutorial ini, file ini disebut sebagai main.tf.

   mkdir DIRECTORY && cd DIRECTORY && touch main.tf

2. Jika mengikuti tutorial, Anda dapat menyalin kode contoh di setiap bagian atau langkah.

   Salin kode contoh ke dalam main.tf yang baru dibuat.

   Atau, salin kode dari GitHub. Tindakan ini direkomendasikan jika cuplikan Terraform adalah bagian dari solusi menyeluruh.

3. Tinjau dan ubah contoh parameter untuk diterapkan pada lingkungan Anda.
4. Simpan perubahan Anda.
5. Lakukan inisialisasi Terraform. Anda hanya perlu melakukan ini sekali per direktori.

   terraform init

   Secara opsional, untuk menggunakan versi penyedia Google terbaru, sertakan opsi -upgrade:

   terraform init -upgrade

Menerapkan perubahan

1. Tinjau konfigurasi dan pastikan resource yang akan dibuat atau diupdate oleh Terraform sesuai yang Anda inginkan:

   terraform plan

   Koreksi konfigurasi jika diperlukan.

2. Terapkan konfigurasi Terraform dengan menjalankan perintah berikut dan memasukkan yes pada prompt:

   terraform apply

   Tunggu hingga Terraform menampilkan pesan "Apply complete!".

3. Buka project Google Cloud Anda untuk melihat hasilnya. Di Konsol Google Cloud, buka resource Anda di UI untuk memastikan bahwa Terraform telah membuat atau mengupdatenya.

Catatan: Contoh Terraform biasanya mengasumsikan bahwa API yang diperlukan diaktifkan di project Google Cloud Anda.

Memberikan akses ke akun layanan

Pilih salah satu opsi berikut:

Konsol

1. Buka halaman IAM & Admin.

   Buka IAM & Admin

2. Klik Berikan Akses.

   Dialog Add principals akan terbuka.

3. Di kolom New principals, masukkan ID akun layanan yang Anda salin sebelumnya.

4. Klik kolom Select a role, lalu ketik Cloud Speech Client di Filter.

5. Klik Add another role.

6. Di kolom Select a role, pilih Cloud Storage, lalu pilih Storage Object Viewer.

7. Klik Simpan.

gcloud

Gunakan perintah gcloud projects add-iam-policy-binding:

gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/speech.client' --condition=None
gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/storage.objectViewer' --condition=None

Ganti kode berikut:

• PROJECT_NUMBER: nomor project Anda.
• MEMBER: ID akun layanan yang Anda salin sebelumnya.

Kegagalan memberikan izin akan menyebabkan error Permission denied.

Catatan: Jika Anda membuat pengenal di project yang berbeda dengan bucket Cloud Storage yang digunakan oleh tabel objek, berikan peran Identity and Access Management (IAM) akun layanan sebagai berikut:

• Berikan peran Klien Cloud Speech ke akun layanan di project yang berisi pengenal.
• Berikan peran Storage Object Viewer kepada akun layanan di project yang berisi bucket Cloud Storage.
• Berikan peran Storage Object Viewer kepada agen layanan Speech-to-Text (service-my_project_number@gcp-sa-speech.) di project yang berisi bucket Cloud Storage.

Membuat set data

Buat set data untuk menampung model dan tabel objek.

Membuat tabel objek

Buat tabel objek pada kumpulan file audio di Cloud Storage. File audio dalam tabel objek harus berjenis yang didukung.

Bucket Cloud Storage yang digunakan oleh tabel objek harus berada di project yang sama tempat Anda berencana membuat model dan memanggil fungsi ML.TRANSCRIBE. Jika ingin memanggil fungsi ML.TRANSCRIBE di project yang berbeda dengan project yang berisi bucket Cloud Storage yang digunakan oleh tabel objek, Anda harus memberikan peran Storage Admin di tingkat bucket ke akun layanan service-A@gcp-sa-aiplatform..

Membuat model

Buat model jarak jauh dengan REMOTE_SERVICE_TYPE dari CLOUD_AI_SPEECH_TO_TEXT_V2:

CREATE OR REPLACE MODEL
`PROJECT_ID.DATASET_ID.MODEL_NAME`
REMOTE WITH CONNECTION `PROJECT_ID.REGION.CONNECTION_ID`
OPTIONS (
  REMOTE_SERVICE_TYPE = 'CLOUD_AI_SPEECH_TO_TEXT_V2',
  SPEECH_RECOGNIZER = 'projects/PROJECT_NUMBER/locations/LOCATION/recognizers/RECOGNIZER_ID'
);

Ganti kode berikut:

• PROJECT_ID: project ID Anda.
• DATASET_ID: ID set data yang akan berisi model.
• MODEL_NAME: nama model.
• REGION: region yang digunakan oleh koneksi.
• CONNECTION_ID: ID koneksi—misalnya, myconnection.

  Saat Anda melihat detail koneksi di konsol Google Cloud, ID koneksi adalah nilai di bagian terakhir dari ID koneksi yang sepenuhnya memenuhi syarat yang ditampilkan di ID Koneksi—misalnya, projects/myproject/locations/connection_location/connections/myconnection.

• PROJECT_NUMBER: nomor project dari project yang berisi pengenal ucapan. Anda dapat menemukan nilai ini di kartu Project info di halaman Dasbor di konsol Google Cloud.
• LOCATION: lokasi yang digunakan oleh pengenal ucapan. Anda dapat menemukan nilai ini di kolom Location di halaman List recognizers di konsol Google Cloud.
• RECOGNIZER_ID: ID pengenal ucapan. Anda dapat menemukan nilai ini di kolom ID pada halaman List recognizers di konsol Google Cloud.

  Opsi ini tidak wajib. Jika Anda tidak menentukan nilai untuknya, pengenal default akan digunakan. Dalam hal ini, Anda harus menentukan nilai untuk parameter recognition_config dari fungsi ML.TRANSCRIBE untuk memberikan konfigurasi bagi pengenal default.

  Anda hanya dapat menggunakan model transkripsi chirp dalam nilai recognition_config yang Anda berikan.

Penting: Anda harus menentukan project ID untuk koneksi meskipun koneksi tersebut berada di project default.

Mentranskripsikan file audio

Mentranskripsikan file audio dengan fungsi ML.TRANSCRIBE:

SELECT *
FROM ML.TRANSCRIBE(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE `PROJECT_ID.DATASET_ID.OBJECT_TABLE_NAME`,
  RECOGNITION_CONFIG => ( JSON 'recognition_config')
);

Ganti kode berikut:

• PROJECT_ID: project ID Anda.
• DATASET_ID: ID set data yang berisi model.
• MODEL_NAME: nama model.
• OBJECT_TABLE_NAME: nama tabel objek yang berisi URI file audio yang akan diproses.
• recognition_config: resource RecognitionConfig dalam format JSON.

  Jika pengenal telah ditentukan untuk model jarak jauh menggunakan opsi SPEECH_RECOGNIZER, Anda tidak dapat menentukan nilai recognition_config.

  Jika tidak ada pengenal yang telah ditentukan untuk model jarak jauh menggunakan opsi SPEECH_RECOGNIZER, Anda harus menentukan nilai recognition_config. Nilai ini digunakan untuk memberikan konfigurasi bagi pengenal default.

  Anda hanya dapat menggunakan model transkripsi chirp dalam nilai recognition_config yang Anda berikan.

Contoh

Contoh 1

Contoh berikut mentranskripsikan file audio yang diwakili oleh tabel audio tanpa mengganti konfigurasi default pengenal:

SELECT *
FROM ML.TRANSCRIBE(
  MODEL `myproject.mydataset.transcribe_model`,
  TABLE `myproject.mydataset.audio`
);

Contoh berikut mentranskripsikan file audio yang diwakili oleh tabel audio dan memberikan konfigurasi untuk pengenal default:

SELECT *
FROM ML.TRANSCRIBE(
  MODEL `myproject.mydataset.transcribe_model`,
  TABLE `myproject.mydataset.audio`,
  recognition_config => ( JSON '{"language_codes": ["en-US" ],"model": "chirp","auto_decoding_config": {}}')
);

Langkah selanjutnya

• Untuk mengetahui informasi tentang inferensi model di BigQuery ML, baca Ringkasan inferensi model.
• Untuk mengetahui informasi tentang pernyataan dan fungsi SQL yang didukung pada setiap jenis model, lihat Perjalanan pengguna menyeluruh untuk setiap model.