このページでは、非同期音声認識を使用して、長い音声ファイル（1 分以上）をテキストに変換する方法について説明します。
非同期音声認識では、音声処理オペレーションの長時間実行が開始されます。1 分を超える長さの音声を認識するには、非同期音声認識を使用します。短い音声の場合は、同期音声認識を使用したほうが早くて簡単です。
オペレーションの結果は、google.longrunning.Operations インターフェースから取得できます。結果は 5 日後（120 時間）まで取得できます。音声コンテンツを Speech-to-Text に直接送信することも、Google Cloud Storage にすでに存在する音声コンテンツを処理することもできます。非同期音声認識リクエストについては、音声の制限もご覧ください。
Cloud Speech-to-Text v1 は正式版がリリースされ、https://speech.googleapis.com/v1/speech エンドポイントから一般提供されています。クライアント ライブラリはアルファ版としてリリースされており、下位互換性のない方法で変更される可能性があります。クライアント ライブラリの本番環境での使用は、現在推奨されていません。
これらのサンプルでは、gcloud が設定され、サービス アカウントが作成されて有効になっている必要があります。gcloud の設定、サービス アカウントの作成と有効化の方法について詳しくは、クイックスタートをご覧ください。
サンプルでは、長時間にわたる音声文字変換処理のための生の音声入力データを格納するためにCloud Storage バケットも使用しています。
プロトコル
詳細については、speech:longrunningrecognize API エンドポイントをご覧ください。
同期音声認識を実行するには、POST リクエストを作成し、適切なリクエスト本文を指定します。次は、curl を使用した POST リクエストの例です。この例では、Google Cloud の Cloud SDK を使用するプロジェクト用に設定されたサービス アカウントのアクセス トークンを使用します。Cloud SDK のインストール、サービス アカウントでのプロジェクトの設定、アクセス トークンの取得を行う手順については、クイックスタートをご覧ください。
curl -X POST \
-H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
-H "Content-Type: application/json; charset=utf-8" \
--data "{
'config': {
'language_code': 'en-US'
},
'audio':{
'uri':'gs://gcs-test-data/vr.flac'
}
}" "https://speech.googleapis.com/v1/speech:longrunningrecognize"
リクエスト本文の構成について詳しくは、RecognitionConfig と RecognitionAudio のリファレンス ドキュメントをご覧ください。
リクエストが成功すると、サーバーは 200 OK HTTP ステータス コードと JSON 形式のレスポンスを返します。
{
"name": "7612202767953098924"
}
ここで、name はリクエストに対して作成された長時間実行オペレーションの名前です。
処理が完了するまで待ちます。処理時間はソース音声によって異なります。ほとんどの場合、ソース音声の半分の長さの結果が得られます。長時間実行オペレーションのステータスは、GET リクエストを https://speech.googleapis.com/v1/operations/ エンドポイントにすることによって取得できます。your-operation-name は longrunningrecognize リクエストから返された name に置き換えます。リクエストの進捗状況の推定は、progressPercent フィールドから取得できます。
curl -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
-H "Content-Type: application/json; charset=utf-8" \
"https://speech.googleapis.com/v1/operations/your-operation-name"
リクエストが成功すると、サーバーは 200 OK HTTP ステータス コードと JSON 形式のレスポンスを返します。
{
"name": "7612202767953098924",
"metadata": {
"@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeMetadata",
"progressPercent": 100,
"startTime": "2017-07-20T16:36:55.033650Z",
"lastUpdateTime": "2017-07-20T16:37:17.158630Z"
},
"done": true,
"response": {
"@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeResponse",
"results": [
{
"alternatives": [
{
"transcript": "okay so what am I doing here...(etc)...",
"confidence": 0.96096134,
}
]
},
{
"alternatives": [
{
...
}
]
}
]
}
}
オペレーションが完了していない場合は、レスポンスの done プロパティが true になるまで GET リクエストを繰り返し行って、エンドポイントをポーリングできます。
gcloud コマンド
詳しくは、recognize-long-running コマンドをご覧ください。
非同期音声認識を行うには、gcloud コマンドライン ツールを使用して、ローカル ファイルまたは Google Cloud Storage URL のパスを指定します。
gcloud ml speech recognize-long-running \
'gs://cloud-samples-tests/speech/brooklyn.flac' \
--language-code='en-US' --async
リクエストが成功すると、サーバーは長時間実行オペレーションの ID を JSON 形式で返します。
{
"name": OPERATION_ID
}
次のコマンドを実行すると、オペレーションに関する情報を取得できます。
gcloud ml speech operations describe OPERATION_ID
また、次のコマンドを実行して、オペレーションが完了するまでオペレーションをポーリングすることもできます。
gcloud ml speech operations wait OPERATION_ID
オペレーションが完了すると、音声が JSON 形式で返されます。
{
"@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeResponse",
"results": [
{
"alternatives": [
{
"confidence": 0.9840146,
"transcript": "how old is the Brooklyn Bridge"
}
]
}
]
}
C#
Go
Java
Node.js
PHP
Python
Ruby