转录音频

本页介绍了如何在 Google Distributed Cloud (GDC) 空气隔离设备上使用 Speech-to-Text API 将音频文件转写为文字。

GDC 气隙设备上的 Vertex AI Speech-to-Text 服务可识别音频文件中的语音。 Speech-to-Text 使用其预训练的 API 将检测到的音频转换为文字转写。

准备工作

在开始使用 Speech-to-Text API 之前，您必须有一个启用了 Speech-to-Text API 的项目，并且拥有相应的凭据。您还可以安装客户端库，以便调用 API。如需了解详情，请参阅设置语音识别项目。

使用默认模型转写音频

Speech-to-Text 会执行语音识别。您直接在 API 请求中将要识别语音的音频文件作为内容发送。系统会在 API 响应中返回转写后的文本。

发出语音识别请求时，您必须提供 RecognitionConfig 配置对象。此对象会告知 API 如何处理您的音频数据以及您期望获得哪种类型的输出。如果此配置对象中未明确指定模型，Speech-to-Text 会选择默认模型。GDC 气隙设备上的 Speech-to-Text 仅支持默认模型。

如需使用 Python 脚本中的 Speech-to-Text 服务转写音频文件中的语音，请按以下步骤操作：

1. 安装最新版本的 Speech-to-Text 客户端库。

2. 在 Python 脚本中设置所需的环境变量。

3. 对 API 请求进行身份验证。

4. 将以下代码添加到您创建的 Python 脚本中：

   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)
   

   替换以下内容：

   • ENDPOINT：您组织使用的 Speech-to-Text 端点。如需了解详情，请查看服务状态和端点。
   • PROJECT_ID：您的项目 ID。
   • BASE64_ENCODED_AUDIO：以 Base64 表示法编码的音频数据字节。此字符串以类似于 ZkxhQwAAACIQABAAAAUJABtAA+gA8AB+W8FZndQvQAyjv 的字符开头。
   • ENCODING：请求中发送的音频数据的编码，例如 LINEAR16。
   • RATE_HERTZ：请求中发送的音频数据的采样率（以赫兹为单位），例如 16000。
   • LANGUAGE_CODE：所提供音频的语言，以 BCP-47 语言标记形式表示。请参阅支持的语言及其各自的语言代码列表。
   • CHANNEL_COUNT：输入音频数据中的声道数，例如 1。

5. 保存 Python 脚本。

6. 运行 Python 脚本以转写音频：

   python SCRIPT_NAME
   

   将 SCRIPT_NAME 替换为您为 Python 脚本指定的名称，例如 speech.py。