Principes de base de Speech-to-Text

Ce document est un guide présentant les principes de base de l'utilisation de Speech-to-Text. Dans ce guide conceptuel, vous découvrirez les types de requêtes que vous pouvez envoyer à Speech-to-Text. Vous apprendrez également à construire de telles requêtes et à gérer leurs réponses. Nous recommandons à tous les utilisateurs de Speech-to-Text de lire à la fois ce guide et l'un des tutoriels associés avant de se plonger dans l'API elle-même.

Requêtes de reconnaissance Speech-to-Text

Speech-to-Text a recours à trois grandes méthodes de reconnaissance vocale :

  • La reconnaissance synchrone (REST et gRPC) envoie des données audio à l'API Speech-to-Text, procède à la reconnaissance de ces données et renvoie les résultats une fois que tout le contenu audio a été traité. Les requêtes de reconnaissance synchrone sont limitées aux données audio d'une durée maximale d'une minute.

  • La reconnaissance asynchrone (REST et gRPC) envoie des données audio à l'API Speech-to-Text et lance une opération de longue durée. Cette opération vous permet d'interroger périodiquement les résultats de reconnaissance. Servez-vous des requêtes asynchrones pour les données audio d'une durée allant jusqu'à 480 minutes.

  • La reconnaissance en streaming (gRPC uniquement) effectue la reconnaissance des données audio fournies dans un flux gRPC bidirectionnel. Les requêtes en streaming sont conçues à des fins de reconnaissance en temps réel, par exemple pour l'enregistrement de contenu audio en direct à partir d'un micro. La reconnaissance en streaming fournit des résultats intermédiaires pendant l'enregistrement audio, ce qui permet par exemple d'afficher des résultats au fur et à mesure qu'un utilisateur parle.

Les requêtes contiennent des paramètres de configuration ainsi que des données audio. Les requêtes de reconnaissance peuvent éventuellement contenir un outil de reconnaissance, une configuration de reconnaissance stockée et réutilisable.

Métadonnées audio

Pour la plupart des fichiers audio, l'API Speech-to-Text peut déduire automatiquement les métadonnées audio. Speech-to-Text analyse l'en-tête du fichier et le décode en fonction de ces informations. Consultez la page encodage pour connaître les types de fichiers compatibles.

Pour les fichiers audio sans en-tête, l'API Speech-to-Text permet de spécifier explicitement les métadonnées audio dans la configuration de reconnaissance. Pour en savoir plus, consultez la page encodage.

Si vous avez le choix entre plusieurs types d'encodage pour votre fichier source, enregistrez le contenu audio en utilisant un taux d'échantillonnage de 16 000 Hz. En effet, des valeurs inférieures pourraient compromettre la précision de la reconnaissance vocale, tandis que des niveaux plus élevés n'auraient pas d'effet notable sur la qualité de la reconnaissance vocale.

Toutefois, si vos données audio ont déjà été enregistrées à un taux d'échantillonnage différent de 16 000 Hz, ne refaites pas d'échantillonnage du contenu audio à 16 000 Hz. La plupart des anciens systèmes audio de téléphonie, par exemple, utilisent des taux d'échantillonnage de 8 000 Hz, ce qui peut donner des résultats moins précis. Si vous devez utiliser ce type de contenu audio, fournissez-le à l'API Speech-to-Text à son taux d'échantillonnage natif.

Langues

Le moteur de reconnaissance de Speech-to-Text est compatible avec un grand nombre de langues et de dialectes. Vous spécifiez la langue (et le dialecte national ou régional) de votre contenu audio dans le champ languageCode de la configuration de la requête, à l'aide d'un identifiant BCP-47.

La liste complète des langues compatibles pour chaque fonctionnalité est disponible sur la page Langues acceptées.

Fonctionnalités de reconnaissance

L'API Speech-to-Text possède des fonctionnalités de reconnaissance supplémentaires telles que la ponctuation automatique et la confiance au niveau du mot. Ces fonctionnalités sont activées dans la configuration de reconnaissance dans les requêtes. Consultez l'exemple de code fourni dans les liens ci-dessus et la page des langues pour connaître la disponibilité de ces fonctionnalités.

Sélection du modèle

Speech-to-Text peut s'appuyer sur différents modèles de machine learning pour transcrire votre fichier audio. Google a entraîné ces modèles de reconnaissance vocale pour des types de contenu audio et des sources audio spécifiques. Reportez-vous à la documentation sur la sélection des modèles pour en savoir plus sur les modèles disponibles et savoir comment en choisir un dans vos requêtes.

Contenu audio intégré

L'audio intégré est inclus dans la requête de reconnaissance vocale lorsqu'un paramètre content est transmis dans le champ audio_source de la requête. L'audio intégré fourni en tant que contenu dans une requête gRPC doit être compatible avec la sérialisation Proto3 et transmis sous forme de données binaires. L'audio intégré fourni en tant que contenu dans une requête REST doit être compatible avec la sérialisation JSON et doit d'abord être encodé en base64. Consultez la page [Encoder du contenu audio en base64][encodage-base64] pour plus d'informations.

Lorsque vous créez une requête à l'aide d'une bibliothèque cliente Google Cloud, vous écrivez généralement ces données binaires (ou encodées en base64) directement dans le champ content.

Transmettre du contenu audio référencé via un URI

De manière plus générale, vous transmettrez un paramètre uri dans le champ audio_source de la requête API Speech-to-Text et le ferez pointer vers un fichier audio (au format binaire, et non en base64) situé sur Cloud Storage sous cette forme :

gs://bucket-name/path/to/audio/file

Speech-to-Text utilise un compte de service pour accéder à vos fichiers dans Cloud Storage. Par défaut, le compte de service a accès aux fichiers Cloud Storage dans le même projet.

L'adresse e-mail du compte de service est la suivante:

service-PROJECT_NUMBER@gcp-sa-speech.iam.gserviceaccount.com

Pour transcrire des fichiers Cloud Storage situés dans un autre projet, vous pouvez attribuer au compte de service le rôle Agent de service Speech-to-Text dans l'autre projet :

gcloud projects add-iam-policy-binding PROJECT_ID \
    --member=serviceAccount:service-PROJECT_NUMBER@gcp-sa-speech.iam.gserviceaccount.com \
    --role=roles/speech.serviceAgent

Pour en savoir plus sur la stratégie IAM du projet, consultez la page Gérer l'accès aux projets, aux dossiers et aux organisations.

Vous pouvez également accorder au compte de service un accès plus précis en lui accordant une autorisation sur un bucket Cloud Storage spécifique:

gcloud storage buckets add-iam-policy-binding gs://BUCKET_NAME \
    --member=serviceAccount:service-PROJECT_NUMBER@gcp-sa-speech.iam.gserviceaccount.com \
    --role=roles/storage.admin

Pour en savoir plus sur la gestion des accès à Cloud Storage, consultez la page intitulée Créer et gérer des listes de contrôle d'accès dans la documentation Cloud Storage.

Réponses de l'API Speech-to-Text

Une fois le contenu audio traité, l'API Speech-to-Text renvoie les résultats de transcription dans des messages SpeechRecognitionResult pour les requêtes synchrones et par lot, et dans des messages StreamingRecognitionResult pour les requêtes en streaming. Dans les requêtes synchrones et par lot, la réponse RPC contient une liste de résultats. La liste des éléments audio reconnus s'affiche dans un ordre contigu. Pour les réponses en streaming, tous les résultats marqués is_final s'affichent dans un ordre contigu.

Sélectionner des alternatives

Chaque résultat d'une réponse de reconnaissance synchrone réussie peut contenir une ou plusieurs alternatives (si la valeur de max_alternatives est supérieure à 1). Si Speech-to-Text estime qu'une alternative présente un niveau de confiance suffisant, cette alternative est incluse dans la réponse. L'alternative figurant la première dans la réponse est toujours la meilleure (la plus probable).

Définir max_alternatives sur une valeur supérieure à 1 ne signifie pas, ni ne garantit, que plusieurs alternatives seront renvoyées. De manière générale, il est plus approprié de fournir plusieurs alternatives afin que les utilisateurs puissent choisir des options en temps réel lorsqu'ils obtiennent des résultats via une requête de reconnaissance en streaming.

Traiter les transcriptions

Chaque alternative fournie dans la réponse contient un élément transcript (une transcription) comportant le texte reconnu. Lorsque des alternatives séquentielles vous sont fournies, vous devez concaténer ces transcriptions.

Niveaux de confiance

La valeur confidence (le niveau de confiance) est une estimation comprise entre 0,0 et 1,0. Elle est calculée par agrégation des valeurs de "probabilité" attribuées à chaque mot du contenu audio. Plus le nombre est élevé, plus nous estimons probable que les mots individuels reconnus seront corrects. Ce champ n'est généralement fourni que pour la première hypothèse et seulement pour les résultats où is_final=true. Par exemple, la valeur confidence peut vous aider à décider si vous préférez présenter d'autres résultats à l'utilisateur ou lui demander confirmation.

Notez toutefois que le modèle détermine le "meilleur" résultat (le mieux classé) sur la base d'un ensemble de signaux allant au-delà du seul score confidence (tels que le contexte de la phrase). De ce fait, il arrive parfois que le meilleur résultat ne soit pas celui présentant le niveau de confiance le plus élevé. Si vous n'avez pas demandé plusieurs alternatives, le "meilleur" résultat renvoyé peut présenter un niveau de confiance inférieur à celui attendu. Cela peut se produire, par exemple, si des mots rares sont utilisés. Un mot rarement utilisé peut se voir attribuer une valeur de "probabilité" faible, même s'il est correctement reconnu. Si le modèle considère que ce mot rare est l'option la plus probable dans ce contexte, ce résultat est renvoyé en tant que meilleur résultat et ce, même si sa valeur confidence est inférieure à celle des autres résultats possibles.

Étapes suivantes