添加识别元数据

本页面介绍了如何添加向 Speech-to-Text 发出的语音识别请求中包含的源音频的更多详细信息。

Speech-to-Text 有一些种机器学习模型可用于将录制的音频转换成文本。每个模型都根据音频输入的具体特性进行了训练，这些特性包括：音频文件类型、原始录音设备、讲话人与录音设备之间的距离、音频文件中讲话人的数量，以及其他因素。

向 Speech-to-Text 发送转录请求时，可以将这些关于音频数据的附加详细信息作为“识别元数据”一并发送。Speech-to-Text 可以使用这些详细信息更准确地转录您的音频数据。

通过收集这些元数据，Google 还可以分析和汇总 Speech-to-Text 最常见的用例。这样，Google 就能优先针对最常见的用例对 Speech-to-Text 进行改进。

可用的元数据字段

您可以在转录请求的元数据中提供以下列表中的任何字段。

字段 类型 说明
interactionType ENUM 音频的用例。
industryNaicsCodeOfAudio 数字 音频文件的所属的行业，即六位数的 NAICS 代码。
microphoneDistance ENUM 麦克风与讲话人之间的距离。
originalMediaType ENUM 音频的原始媒体，即音频还是视频。
recordingDeviceType ENUM 用于捕获音频的设备，包括智能手机、PC 麦克风、传播媒体等。
recordingDeviceName 字符串 用于制作录音的设备。这是一个任意字符串，可包括“Pixel XL”、“VoIP”、“Cardioid Microphone”等名称或其他值。
originalMimeType 字符串 原始音频文件的 MIME 类型。示例包括：audio/m4a、audio/x-alaw-basic、audio/mp3、audio/3gpp 或其他音频文件 MIME 类型。
obfuscatedId 字符串 用户受隐私权保护的 ID，用于确定使用该服务的唯一身份用户的数量。
audioTopic 字符串 音频文件中讨论主题的任意描述，例如“纽约市导览”、“庭审听证会”或“两人之间的现场访谈”。

如需了解有关这些字段的详情，请参阅 RecognitionMetadata 参考文档。

启用识别元数据

如需为 Speech-to-Text API 的语音识别请求添加识别元数据，请将语音识别请求的 metadata 字段设置为 RecognitionMetadata 对象。Speech-to-Text API 的识别元数据支持以下所有语音识别方法：speech:recognize、speech:longrunningrecognize 和流式。如需详细了解可为请求添加哪些类型的元数据，请参阅 RecognitionMetadata 参考文档。

以下代码演示了如何在转录请求中指定其他元数据字段。

协议

如需了解完整的详细信息，请参阅 speech:recognize API 端点。

如需执行同步语音识别，请发出 POST 请求并提供相应的请求正文。以下示例展示了一个使用 curl 发出的 POST 请求。该示例针对通过 Google Cloud CLI 为项目设置的服务帐号使用访问令牌。如需了解有关安装 gcloud CLI、使用服务帐号设置项目以及获取访问令牌的说明，请参阅快速入门。

curl -s -H "Content-Type: application/json" \
    -H "Authorization: Bearer "$(gcloud auth print-access-token) \
    https://speech.googleapis.com/v1p1beta1/speech:recognize \
    --data '{
    "config": {
        "encoding": "FLAC",
        "sampleRateHertz": 16000,
        "languageCode": "en-US",
        "enableWordTimeOffsets":  false,
        "metadata": {
            "interactionType": "VOICE_SEARCH",
            "industryNaicsCodeOfAudio": 23810,
            "microphoneDistance": "NEARFIELD",
            "originalMediaType": "AUDIO",
            "recordingDeviceType": "OTHER_INDOOR_DEVICE",
            "recordingDeviceName": "Polycom SoundStation IP 6000",
            "originalMimeType": "audio/mp3",
            "obfuscatedId": "11235813",
            "audioTopic": "questions about landmarks in NYC"
        }
    },
    "audio": {
        "uri":"gs://cloud-samples-tests/speech/brooklyn.flac"
    }
}

如需详细了解如何配置请求正文，请参阅 RecognitionConfig 参考文档。

如果请求成功，服务器将返回一个 200 OK HTTP 状态代码以及 JSON 格式的响应：

{
  "results": [
    {
      "alternatives": [
        {
          "transcript": "how old is the Brooklyn Bridge",
          "confidence": 0.98360395
        }
      ]
    }
  ]
}

Node.js

// Imports the Google Cloud client library for Beta API
/**
 * TODO(developer): Update client library import to use new
 * version of API when desired features become available
 */
const speech = require('@google-cloud/speech').v1p1beta1;
const fs = require('fs');

// Creates a client
const client = new speech.SpeechClient();

async function syncRecognizeWithMetaData() {
  /**
   * TODO(developer): Uncomment the following lines before running the sample.
   */
  // const filename = 'Local path to audio file, e.g. /path/to/audio.raw';
  // const encoding = 'Encoding of the audio file, e.g. LINEAR16';
  // const sampleRateHertz = 16000;
  // const languageCode = 'BCP-47 language code, e.g. en-US';

  const recognitionMetadata = {
    interactionType: 'DISCUSSION',
    microphoneDistance: 'NEARFIELD',
    recordingDeviceType: 'SMARTPHONE',
    recordingDeviceName: 'Pixel 2 XL',
    industryNaicsCodeOfAudio: 519190,
  };

  const config = {
    encoding: encoding,
    sampleRateHertz: sampleRateHertz,
    languageCode: languageCode,
    metadata: recognitionMetadata,
  };

  const audio = {
    content: fs.readFileSync(filename).toString('base64'),
  };

  const request = {
    config: config,
    audio: audio,
  };

  // Detects speech in the audio file
  const [response] = await client.recognize(request);
  response.results.forEach(result => {
    const alternative = result.alternatives[0];
    console.log(alternative.transcript);
  });

Python

from google.cloud import speech_v1p1beta1 as speech

client = speech.SpeechClient()

speech_file = "resources/commercial_mono.wav"

with io.open(speech_file, "rb") as audio_file:
    content = audio_file.read()

# Here we construct a recognition metadata object.
# Most metadata fields are specified as enums that can be found
# in speech.enums.RecognitionMetadata
metadata = speech.RecognitionMetadata()
metadata.interaction_type = speech.RecognitionMetadata.InteractionType.DISCUSSION
metadata.microphone_distance = (
    speech.RecognitionMetadata.MicrophoneDistance.NEARFIELD
)
metadata.recording_device_type = (
    speech.RecognitionMetadata.RecordingDeviceType.SMARTPHONE
)

# Some metadata fields are free form strings
metadata.recording_device_name = "Pixel 2 XL"
# And some are integers, for instance the 6 digit NAICS code
# https://www.naics.com/search/
metadata.industry_naics_code_of_audio = 519190

audio = speech.RecognitionAudio(content=content)
config = speech.RecognitionConfig(
    encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=8000,
    language_code="en-US",
    # Add this in the request to send metadata.
    metadata=metadata,
)

response = client.recognize(config=config, audio=audio)

for i, result in enumerate(response.results):
    alternative = result.alternatives[0]
    print("-" * 20)
    print(u"First alternative of result {}".format(i))
    print(u"Transcript: {}".format(alternative.transcript))