音声を文字に変換する

このページでは、Google Distributed Cloud（GDC）エアギャップ アプライアンスで Speech-to-Text API を使用して音声ファイルをテキストに変換する方法について説明します。

GDC のエアギャップ アプライアンスの Vertex AI の Speech-to-Text サービスは、音声ファイルから音声を認識します。Speech-to-Text は、検出された音声を事前トレーニング済みの API を使用してテキストに変換します。

始める前に

Speech-to-Text API の使用を開始するには、Speech-to-Text API が有効になっているプロジェクトと適切な認証情報が必要です。また、API の呼び出しを支援するクライアント ライブラリをインストールすることもできます。詳細については、音声認識プロジェクトを設定するをご覧ください。

デフォルト モデルで音声を文字変換する

Speech-to-Text は音声認識を実行します。音声認識を行う音声ファイルを、API リクエストのコンテンツとして直接送信します。システムは、API レスポンスで文字起こしされたテキストを返します。

音声認識リクエストを行う場合は、RecognitionConfig 構成オブジェクトを指定する必要があります。このオブジェクトは、API に音声データの処理方法と想定される出力の種類を伝えます。この構成オブジェクトでモデルが明示的に指定されていない場合、Speech-to-Text はデフォルトのモデルを選択します。GDC エアギャップ アプライアンスの Speech-to-Text は、デフォルト モデルのみをサポートしています。

Python スクリプトから Speech-to-Text サービスを使用して音声ファイルから音声を文字に変換する手順は次のとおりです。

1. Speech-to-Text クライアント ライブラリの最新バージョンをインストールします。

2. Python スクリプトに必要な環境変数を設定します。

3. API リクエストを認証します。

4. 作成した Python スクリプトに次のコードを追加します。

   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)
   

   次のように置き換えます。

   • ENDPOINT: 組織で使用する Speech-to-Text エンドポイント。詳細については、サービス ステータスとエンドポイントを表示するをご覧ください。
   • PROJECT_ID: プロジェクト ID。
   • BASE64_ENCODED_AUDIO: Base64 表現でエンコードされた音声データバイト。この文字列は ZkxhQwAAACIQABAAAAUJABtAA+gA8AB+W8FZndQvQAyjv に似た文字で始まります。
   • ENCODING: リクエストで送信される音声データのエンコード（LINEAR16 など）。
   • RATE_HERTZ: リクエストで送信される音声データのサンプルレート（ヘルツ単位）。例: 16000。
   • LANGUAGE_CODE: 提供された音声の言語を、BCP-47 言語タグで表したもの。サポートされている言語とその言語コードのリストをご覧ください。
   • CHANNEL_COUNT: 入力音声データのチャンネル数（1 など）。

5. Python スクリプトを保存します。

6. Python スクリプトを実行して音声を文字起こしします。

   python SCRIPT_NAME
   

   SCRIPT_NAME は、Python スクリプトに付けた名前に置き換えます（例: speech.py）。