Transcribe audio

En esta página, se muestra cómo transcribir archivos de audio a texto con la API de Speech-to-Text en el dispositivo aislado de Google Distributed Cloud (GDC).

El servicio de Speech-to-Text de Vertex AI en el dispositivo aislado de GDC reconoce el habla de los archivos de audio. Speech-to-Text convierte el audio detectado en transcripciones de texto con su API previamente entrenada.

Antes de comenzar

Antes de comenzar a usar la API de Speech-to-Text, debes tener un proyecto con la API de Speech-to-Text habilitada y las credenciales adecuadas. También puedes instalar bibliotecas cliente para ayudarte a realizar llamadas a la API. Para obtener más información, consulta Cómo configurar un proyecto de reconocimiento de voz.

Transcribe audio con el modelo predeterminado

Speech-to-Text realiza el reconocimiento de voz. Envías el archivo de audio del que deseas reconocer el habla directamente como contenido en la solicitud de la API. El sistema devuelve el texto transcrito resultante en la respuesta de la API.

Debes proporcionar un objeto de configuración RecognitionConfig cuando realices una solicitud de reconocimiento de voz. Este objeto le indica a la API cómo procesar tus datos de audio y qué tipo de resultado esperas. Si no se especifica un modelo de forma explícita en este objeto de configuración, Speech-to-Text selecciona un modelo predeterminado. Speech-to-Text en el dispositivo aislado de GDC solo admite el modelo predeterminado.

Sigue estos pasos para usar el servicio de Speech-to-Text desde una secuencia de comandos de Python para transcribir voz de un archivo de audio:

1. Instala la versión más reciente de la biblioteca cliente de Speech-to-Text.

2. Configura las variables de entorno necesarias en una secuencia de comandos de Python.

3. Autentica tu solicitud a la API.

4. Agrega el siguiente código a la secuencia de comandos de Python que creaste:

   import base64
   
   from google.cloud import speech_v1p1beta1
   import google.auth
   from google.auth.transport import requests
   from google.api_core.client_options import ClientOptions
   
   audience="https://ENDPOINT:443"
   api_endpoint="ENDPOINT:443"
   
   def get_client(creds):
     opts = ClientOptions(api_endpoint=api_endpoint)
     return speech_v1p1beta1.SpeechClient(credentials=creds, client_options=opts)
   
   def main():
     creds = None
     try:
       creds, project_id = google.auth.default()
       creds = creds.with_gdch_audience(audience)
       req = requests.Request()
       creds.refresh(req)
       print("Got token: ")
       print(creds.token)
     except Exception as e:
       print("Caught exception" + str(e))
       raise e
     return creds
   
   def speech_func(creds):
     tc = get_client(creds)
   
     content="BASE64_ENCODED_AUDIO"
   
     audio = speech_v1p1beta1.RecognitionAudio()
     audio.content = base64.standard_b64decode(content)
     config = speech_v1p1beta1.RecognitionConfig()
     config.encoding= speech_v1p1beta1.RecognitionConfig.AudioEncoding.ENCODING
     config.sample_rate_hertz=RATE_HERTZ
     config.language_code="LANGUAGE_CODE"
     config.audio_channel_count=CHANNEL_COUNT
   
     metadata = [("x-goog-user-project", "projects/PROJECT_ID")]
     resp = tc.recognize(config=config, audio=audio, metadata=metadata)
     print(resp)
   
   if __name__=="__main__":
     creds = main()
     speech_func(creds)
   

   Reemplaza lo siguiente:

   • ENDPOINT: Es el extremo de Speech-to-Text que usas para tu organización. Para obtener más información, consulta el estado y los extremos del servicio.
   • PROJECT_ID: el ID de tu proyecto
   • BASE64_ENCODED_AUDIO: Son los bytes de datos de audio codificados en una representación Base64. Esta cadena comienza con caracteres que se parecen a ZkxhQwAAACIQABAAAAUJABtAA+gA8AB+W8FZndQvQAyjv.
   • ENCODING: Es la codificación de los datos de audio enviados en la solicitud, como LINEAR16.
   • RATE_HERTZ: Es la tasa de muestreo en hercios de los datos de audio que se envían en la solicitud, como 16000.
   • LANGUAGE_CODE: Es el idioma del audio proporcionado como una etiqueta de idioma BCP-47. Consulta la lista de idiomas admitidos y sus respectivos códigos de idioma.
   • CHANNEL_COUNT: Es la cantidad de canales en los datos de audio de entrada, como 1.

5. Guarda la secuencia de comandos de Python.

6. Ejecuta la secuencia de comandos de Python para transcribir el audio:

   python SCRIPT_NAME
   

   Reemplaza SCRIPT_NAME por el nombre que le diste a tu secuencia de comandos de Python, por ejemplo, speech.py.