ML.TRANSCRIBE 함수를 사용하여 오디오 파일 텍스트 변환

이 문서에서는 원격 모델에서 ML.TRANSCRIBE 함수를 사용하여 객체 테이블에서 오디오 파일을 텍스트로 변환하는 방법을 설명합니다.

지원되는 위치

다음 위치 중 하나에서 이 절차에 사용되는 원격 모델을 만들어야 합니다.

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

원격 모델과 같은 리전에서 ML.TRANSCRIBE 함수를 실행해야 합니다.

필수 권한

Speech-to-Text 인식기를 사용하려면 다음 역할이 필요합니다.
- speech.recognizers.create
- speech.recognizers.get
- speech.recognizers.recognize
- speech.recognizers.update
연결을 만들려면 다음 역할의 멤버십이 필요합니다.
- roles/bigquery.connectionAdmin
BigQuery ML을 사용하여 모델을 만들려면 다음 권한이 필요합니다.
- bigquery.jobs.create
- bigquery.models.create
- bigquery.models.getData
- bigquery.models.updateData
- bigquery.models.updateMetadata
추론을 실행하려면 다음 권한이 필요합니다.
- 객체 테이블에 대한 bigquery.tables.getData
- 모델에 대한 bigquery.models.getData
- bigquery.jobs.create

시작하기 전에

Google Cloud 계정에 로그인합니다. Google Cloud를 처음 사용하는 경우 계정을 만들고 Google 제품의 실제 성능을 평가해 보세요. 신규 고객에게는 워크로드를 실행, 테스트, 배포하는 데 사용할 수 있는 $300의 무료 크레딧이 제공됩니다.

Google Cloud Console의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.

프로젝트 선택기로 이동

Google Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다.

API BigQuery, BigQuery Connection API, and Speech-to-Text 사용 설정

API 사용 설정

Google Cloud Console의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.

프로젝트 선택기로 이동

Google Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다.

API BigQuery, BigQuery Connection API, and Speech-to-Text 사용 설정

API 사용 설정

인식기 만들기

Speech-to-Text는 인식기라는 리소스를 지원합니다. 인식기는 저장되고 재사용 가능한 인식 구성을 나타냅니다. 인식기를 만들어 애플리케이션의 스크립트 작성 또는 트래픽을 논리적으로 그룹화할 수 있습니다.

음성 인식기를 만드는 것은 선택사항입니다. 음성 인식기를 만들려면 SPEECH_RECOGNIZER에 설명된 대로 CREATE MODEL 문에서 사용할 인식기의 프로젝트 ID, 위치, 인식기 ID를 기록해 둡니다. 음성 인식기를 만들지 않으려면 ML.TRANSCRIBE 함수의 recognition_config 인수 값을 지정해야 합니다.

연결 만들기

클라우드 리소스 연결을 만들고 연결의 서비스 계정을 가져옵니다.

다음 옵션 중 하나를 선택합니다.

콘솔

BigQuery 페이지로 이동합니다.

BigQuery로 이동
연결을 만들려면 추가를 클릭한 다음 외부 데이터 소스에 연결을 클릭합니다.
연결 유형 목록에서 Vertex AI 원격 모델, 원격 함수, BigLake(Cloud 리소스)를 선택합니다.
연결 ID 필드에 연결 이름을 입력합니다.
연결 만들기를 클릭합니다.
연결로 이동을 클릭합니다.
연결 정보 창에서 나중의 단계에 사용할 서비스 계정 ID를 복사합니다.

bq

명령줄 환경에서 연결을 만듭니다.
```
bq mk --connection --location=REGION --project_id=PROJECT_ID \
    --connection_type=CLOUD_RESOURCE CONNECTION_ID
```
--project_id 매개변수는 기본 프로젝트를 재정의합니다.

다음을 바꿉니다.
- REGION: 연결 리전
- PROJECT_ID: Google Cloud 프로젝트 ID
- CONNECTION_ID: 연결의 ID
연결 리소스를 만들면 BigQuery가 고유한 시스템 서비스 계정을 만들고 이를 연결에 연계합니다.

문제 해결: 다음 연결 오류가 발생하면 Google Cloud SDK를 업데이트하세요.
```
Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
```

이후 단계에서 사용할 수 있도록 서비스 계정 ID를 가져와 복사합니다.

bq show --connection PROJECT_ID.REGION.CONNECTION_ID

출력은 다음과 비슷합니다.

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

Terraform

main.tf 파일에 다음 섹션을 추가합니다.

 ## This creates a cloud resource connection.
 ## Note: The cloud resource nested object has only one output only field - serviceAccountId.
 resource "google_bigquery_connection" "connection" {
    connection_id = "CONNECTION_ID"
    project = "PROJECT_ID"
    location = "REGION"
    cloud_resource {}
}

다음을 바꿉니다.

CONNECTION_ID: 연결의 ID
PROJECT_ID: Google Cloud 프로젝트 ID
REGION: 연결 리전

서비스 계정에 액세스 권한 부여

다음 옵션 중 하나를 선택합니다.

콘솔

IAM 및 관리자 페이지로 이동합니다.

IAM 및 관리자로 이동
액세스 권한 부여를 클릭합니다.

주 구성원 추가 대화상자가 열립니다.
새 주 구성원 필드에 앞에서 복사한 서비스 계정 ID를 입력합니다.
역할 선택 필드를 클릭한 후 필터에 Cloud Speech Client를 입력합니다.
다른 역할 추가를 클릭합니다.
역할 선택 필드에서 Cloud Storage를 선택한 후 스토리지 객체 뷰어를 선택합니다.
저장을 클릭합니다.

gcloud

gcloud projects add-iam-policy-binding 명령어를 사용합니다.

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

다음을 바꿉니다.

PROJECT_NUMBER: 프로젝트 번호
MEMBER: 이전에 복사한 서비스 계정 ID입니다.

권한을 부여할 수 없으면 Permission denied 오류가 발생합니다.

데이터 세트 만들기

모델과 객체 테이블을 포함할 데이터 세트를 만듭니다.

모델 만들기

CLOUD_AI_SPEECH_TO_TEXT_V2의 REMOTE_SERVICE_TYPE을 사용하여 원격 모델을 만듭니다.

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'
);

다음을 바꿉니다.

PROJECT_ID: 프로젝트 ID
DATASET_ID: 모델을 포함할 데이터 세트의 ID
MODEL_NAME: 모델의 이름
REGION: 연결에 사용되는 리전입니다.
CONNECTION_ID: 연결 ID입니다(예: myconnection).
Google Cloud 콘솔에서 연결 세부정보를 볼 때 연결 ID는 연결 ID에 표시되는 정규화된 연결 ID의 마지막 섹션에 있는 값입니다(예: projects/myproject/locations/connection_location/connections/myconnection).
PROJECT_NUMBER: 음성 인식기가 포함된 프로젝트의 프로젝트 번호입니다. Google Cloud 콘솔의 대시보드 페이지에 있는 프로젝트 정보 카드에서 이 값을 찾을 수 있습니다.
LOCATION: 음성 인식기에서 사용하는 위치입니다. Google Cloud 콘솔의 인식기 나열 페이지에 있는 위치 필드에서 이 값을 찾을 수 있습니다.
RECOGNIZER_ID: 음성 인식기 ID입니다. Google Cloud 콘솔의 인식기 나열 페이지에 있는 ID 필드에서 이 값을 찾을 수 있습니다.

객체 테이블 만들기

Cloud Storage의 오디오 파일 세트를 대상으로 객체 테이블을 만듭니다. 객체 테이블의 오디오 파일은 지원되는 유형이어야 합니다.

오디오 파일 텍스트 변환

ML.TRANSCRIBE 함수를 사용하여 오디오 파일을 텍스트로 변환합니다.

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

다음을 바꿉니다.

PROJECT_ID: 프로젝트 ID
DATASET_ID: 모델이 포함된 데이터 세트의 ID
MODEL_NAME: 모델의 이름
OBJECT_TABLE_NAME: 처리할 오디오 파일의 URI가 포함된 객체 테이블의 이름
recognition_config: JSON 형식의 RecognitionConfig 리소스
원격 모델 SPEECH_RECOGNIZER 옵션의 인식기를 지정한 경우 선택적으로 recognition_config 값을 지정하여 지정된 인식기의 기본 구성을 재정의할 수 있습니다.

원격 모델의 인식기를 지정하지 않았으면 이 인수를 지정해야 합니다.

예시

예시 1

다음 예시에서는 인식기의 기본 구성을 재정의하지 않고 audio 테이블로 표시되는 오디오 파일을 텍스트로 변환합니다.

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

다음 예시에서는 audio 테이블로 표시되는 오디오 파일을 텍스트로 변환하고 인식기의 기본 구성을 재정의합니다.

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

다음 단계

BigQuery ML의 모델 추론에 대한 자세한 내용은 모델 추론 개요를 참조하세요.
각 모델 유형에 지원되는 SQL 문과 함수에 대한 자세한 내용은 각 모델의 엔드 투 엔드 사용자 경험을 참조하세요.