クイックスタート: gcloud ツールの使用

このページでは、コマンドラインから gcloud ツールを使用して Cloud Speech-to-Text に音声認識リクエストを送信する方法について説明します。

Cloud Speech-to-Text を使用すると、Google の音声認識技術をデベロッパーのアプリケーションに簡単に統合できます。音声データを Speech-to-Text API に送信し、音声ファイルの音声が文字に変換されたテキストを取得できます。サービスの詳細については、Cloud Speech-to-Text の基本をご覧ください。

始める前に

1. Google アカウントにログインします。

   Google アカウントをまだお持ちでない場合は、新しいアカウントを登録します。

2. GCP Console プロジェクトをセットアップします。

   プロジェクトをセットアップする

   クリックして、以下を行います。

   • プロジェクトを作成または選択します。
   • プロジェクトにSpeech-to-Text API を有効にします。
   • サービス アカウントを作成します。
   • JSON として秘密鍵をダウンロードします。

   これらのリソースは、GCP Console でいつでも表示および管理できます。

3. 環境変数 GOOGLE_APPLICATION_CREDENTIALS をサービス アカウント キーが含まれる JSON ファイルのファイルパスに設定します。

   例: Linux または Mac OS

   [PATH] は、サービス アカウント キーが含まれる JSON ファイルのファイルパスに置き換えます。

   export GOOGLE_APPLICATION_CREDENTIALS="[PATH]"

   例:

   export GOOGLE_APPLICATION_CREDENTIALS="/home/user/Downloads/service-account-file.json"

   例: Windows

   [PATH] は、サービス アカウント キーが含まれる JSON ファイルのファイルパスに置き換え、[FILE_NAME] はファイル名に置き換えます。

   PowerShell を使用する場合:

   $env:GOOGLE_APPLICATION_CREDENTIALS="[PATH]"

   例:

   $env:GOOGLE_APPLICATION_CREDENTIALS="C:\Users\username\Downloads\[FILE_NAME].json"

   コマンド プロンプトを使用する場合:

   set GOOGLE_APPLICATION_CREDENTIALS=[PATH]

4. Cloud SDK をインストールして初期化します。

音声文字変換をリクエストする

では、Speech-to-Text を使用して、音声ファイルをテキストに変換してみましょう。次のサンプルコードを使用して、Speech-to-Text API に recognize リクエストを送信します。

コマンドライン シェルを開き、次のコマンドを実行します。

gcloud ml speech recognize 'gs://cloud-samples-tests/speech/brooklyn.flac' \
    --language-code='en-US'

このコマンドでは、一般公開された場所にある FLAC に含まれている音声を文字に変換するように Speech-to-Text にリクエストしています。

リクエストが成功すると、サーバーから JSON 形式のレスポンスが返されます。

{
  "results": [
    {
      "alternatives": [
        {
          "confidence": 0.9840146,
          "transcript": "how old is the Brooklyn Bridge"
        }
      ]
    }
  ]
}

これで、Speech-to-Text への最初のリクエストを送信できました。

エラーが発生する場合や Speech-to-Text からのレスポンスが空である場合は、トラブルシューティングとエラーの緩和の手順を確認してください。

次のステップ

• 短い音声ファイルの文字変換を行う。
• 長い音声ファイルの音声認識を一括で行う方法を学習する。
• マイクからの入力など、ストリーミングの音声を文字に変換する方法を学習する。
• 特定の言語で Speech-to-Text クライアント ライブラリを使用して、Speech-to-Text を利用する。
• サンプル アプリケーションを実行する。
• ベスト プラクティスのドキュメントで、最高のパフォーマンスと精度を実現するための方法やヒントを確認する。