長い音声ファイルをテキストに変換する

このページでは、Speech-to-Text API と非同期音声認識を使用して、長い音声ファイル（1 分を超える）をテキストに変換する方法について説明します。

非同期音声認識について

一括音声認識では、音声処理オペレーションの長時間実行が開始されます。60 秒を超える音声を文字に変換するには、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。非同期音声認識の上限は 480 分（8 時間）です。

一括音声認識では、Cloud Storage に保存されている音声のみ文字変換できます。音声文字変換の出力は、レスポンスにインラインで送信することも（単一ファイルの一括認識リクエストの場合）、Cloud Storage に書き込むこともできます。

一括認識リクエストは、リクエストの継続的な認識処理に関する情報を含む Operation を返します。オペレーションをポーリングすると、オペレーションの完了と音声文字変換テキストのタイミングを確認できます。

始める前に

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Make sure that billing is enabled for your Google Cloud project.

4. Enable the Speech-to-Text APIs.

   Enable the APIs

5. Make sure that you have the following role or roles on the project: Cloud Speech Administrator

   Check for the roles

   1. In the Google Cloud console, go to the IAM page.

      Go to IAM
   2. Select the project.

   3. In the Principal column, find all rows that identify you or a group that you're included in. To learn which groups you're included in, contact your administrator.

   4. For all rows that specify or include you, check the Role colunn to see whether the list of roles includes the required roles.

   Grant the roles

   1. In the Google Cloud console, go to the IAM page.

      [IAM] に移動
   2. プロジェクトを選択します。
   3. [ アクセスを許可] をクリックします。

   4. [新しいプリンシパル] フィールドに、ユーザー ID を入力します。 これは通常、Google アカウントのメールアドレスです。

   5. [ロールを選択] リストでロールを選択します。
   6. 追加のロールを付与するには、 [別のロールを追加] をクリックして各ロールを追加します。
   7. [保存] をクリックします。
   8. Install the Google Cloud CLI.

   9. To initialize the gcloud CLI, run the following command:

      gcloud init

      Note: If you installed the gcloud CLI previously, make sure you have the latest version by running gcloud components update.

   10. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

       Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

       Go to project selector

   11. Make sure that billing is enabled for your Google Cloud project.

   12. Enable the Speech-to-Text APIs.

       Enable the APIs

   13. Make sure that you have the following role or roles on the project: Cloud Speech Administrator

       Check for the roles

       1. In the Google Cloud console, go to the IAM page.

          Go to IAM
       2. Select the project.

       3. In the Principal column, find all rows that identify you or a group that you're included in. To learn which groups you're included in, contact your administrator.

       4. For all rows that specify or include you, check the Role colunn to see whether the list of roles includes the required roles.

       Grant the roles

       1. In the Google Cloud console, go to the IAM page.

          [IAM] に移動
       2. プロジェクトを選択します。
       3. [ アクセスを許可] をクリックします。

       4. [新しいプリンシパル] フィールドに、ユーザー ID を入力します。 これは通常、Google アカウントのメールアドレスです。

       5. [ロールを選択] リストでロールを選択します。
       6. 追加のロールを付与するには、 [別のロールを追加] をクリックして各ロールを追加します。
       7. [保存] をクリックします。
       8. Install the Google Cloud CLI.

       9. To initialize the gcloud CLI, run the following command:

          gcloud init

          Note: If you installed the gcloud CLI previously, make sure you have the latest version by running gcloud components update.

       クライアント ライブラリは、アプリケーションのデフォルト認証情報を使用することによって、Google API で簡単に認証を行い、これらの API にリクエストを送信できます。アプリケーションのデフォルト認証情報を使用すると、ベースとなるコードを変更することなく、ローカルでのアプリケーションのテストやアプリケーションのデプロイが可能です。詳しくは、クライアント ライブラリを使用して認証するをご覧ください。

       10. If you're using a local shell, then create local authentication credentials for your user account:

           gcloud auth application-default login

           You don't need to do this if you're using Cloud Shell.

       また、クライアント ライブラリがインストールされていることを確認してください。

       Cloud Storage へのアクセスを有効にする

       Speech-to-Text は、サービス アカウントを使用して Cloud Storage 内のファイルにアクセスします。デフォルトでは、サービス アカウントは同じプロジェクト内の Cloud Storage ファイルにアクセスできます。

       サービス アカウントのメールアドレスは次のとおりです。

       [e-mail]
       

       別のプロジェクトの Cloud Storage ファイルを音声文字変換するには、このサービス アカウントにもう一方のプロジェクトの Speech-to-Text サービス エージェント ロールを付与します。

       gcloud projects add-iam-policy-binding PROJECT_ID \
           --member=serviceAccount:[e-mail] \
           --role=roles/speech.serviceAgent

       プロジェクトの IAM ポリシーの詳細については、プロジェクト、フォルダ、組織へのアクセス権の管理をご覧ください。

       サービス アカウントにさらにきめ細かくアクセス権を付与するには、特定の Cloud Storage バケットへの権限を付与します。

       gcloud storage buckets add-iam-policy-binding gs://BUCKET_NAME \
           --member=serviceAccount:[e-mail] \
           --role=roles/storage.admin

       Cloud Storage へのアクセスの管理の詳細については、Cloud Storage ドキュメントのアクセス制御リストの作成と管理をご覧ください。

       一括認識を実行してインラインで結果を読み取る

       Cloud Storage の音声ファイルに対して一括音声認識を実行し、レスポンスから音声文字変換結果をインラインで読み取る例を次に示します。

       Python

       import os
       
       from google.cloud.speech_v2 import SpeechClient
       from google.cloud.speech_v2.types import cloud_speech
       
       PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")
       
       
       def transcribe_batch_gcs_input_inline_output_v2(
           audio_uri: str,
       ) -> cloud_speech.BatchRecognizeResults:
           """Transcribes audio from a Google Cloud Storage URI using the Google Cloud Speech-to-Text API.
               The transcription results are returned inline in the response.
           Args:
               audio_uri (str): The Google Cloud Storage URI of the input audio file.
                   E.g., gs://[BUCKET]/[FILE]
           Returns:
               cloud_speech.BatchRecognizeResults: The response containing the transcription results.
           """
           # Instantiates a client
           client = SpeechClient()
       
           config = cloud_speech.RecognitionConfig(
               auto_decoding_config=cloud_speech.AutoDetectDecodingConfig(),
               language_codes=["en-US"],
               model="long",
           )
       
           file_metadata = cloud_speech.BatchRecognizeFileMetadata(uri=audio_uri)
       
           request = cloud_speech.BatchRecognizeRequest(
               recognizer=f"projects/{PROJECT_ID}/locations/global/recognizers/_",
               config=config,
               files=[file_metadata],
               recognition_output_config=cloud_speech.RecognitionOutputConfig(
                   inline_response_config=cloud_speech.InlineOutputConfig(),
               ),
           )
       
           # Transcribes the audio into text
           operation = client.batch_recognize(request=request)
       
           print("Waiting for operation to complete...")
           response = operation.result(timeout=120)
       
           for result in response.results[audio_uri].transcript.results:
               print(f"Transcript: {result.alternatives[0].transcript}")
       
           return response.results[audio_uri].transcript
       
       

       一括認識を実行して結果を Cloud Storage に書き込む

       次に、Cloud Storage の音声ファイルに対して一括音声認識を実行し、Cloud Storage の出力ファイルから音声文字変換結果を読み取る例を示します。Cloud Storage に書き込まれるファイルは JSON 形式の BatchRecognizeResults メッセージです。

       Python

       import os
       
       import re
       
       from google.cloud import storage
       from google.cloud.speech_v2 import SpeechClient
       from google.cloud.speech_v2.types import cloud_speech
       
       PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")
       
       
       def transcribe_batch_gcs_input_gcs_output_v2(
           audio_uri: str,
           gcs_output_path: str,
       ) -> cloud_speech.BatchRecognizeResults:
           """Transcribes audio from a Google Cloud Storage URI using the Google Cloud Speech-to-Text API.
           The transcription results are stored in another Google Cloud Storage bucket.
           Args:
               audio_uri (str): The Google Cloud Storage URI of the input audio file.
                   E.g., gs://[BUCKET]/[FILE]
               gcs_output_path (str): The Google Cloud Storage bucket URI where the output transcript will be stored.
                   E.g., gs://[BUCKET]
           Returns:
               cloud_speech.BatchRecognizeResults: The response containing the URI of the transcription results.
           """
           # Instantiates a client
           client = SpeechClient()
       
           config = cloud_speech.RecognitionConfig(
               auto_decoding_config=cloud_speech.AutoDetectDecodingConfig(),
               language_codes=["en-US"],
               model="long",
           )
       
           file_metadata = cloud_speech.BatchRecognizeFileMetadata(uri=audio_uri)
       
           request = cloud_speech.BatchRecognizeRequest(
               recognizer=f"projects/{PROJECT_ID}/locations/global/recognizers/_",
               config=config,
               files=[file_metadata],
               recognition_output_config=cloud_speech.RecognitionOutputConfig(
                   gcs_output_config=cloud_speech.GcsOutputConfig(
                       uri=gcs_output_path,
                   ),
               ),
           )
       
           # Transcribes the audio into text
           operation = client.batch_recognize(request=request)
       
           print("Waiting for operation to complete...")
           response = operation.result(timeout=120)
       
           file_results = response.results[audio_uri]
       
           print(f"Operation finished. Fetching results from {file_results.uri}...")
           output_bucket, output_object = re.match(
               r"gs://([^/]+)/(.*)", file_results.uri
           ).group(1, 2)
       
           # Instantiates a Cloud Storage client
           storage_client = storage.Client()
       
           # Fetch results from Cloud Storage
           bucket = storage_client.bucket(output_bucket)
           blob = bucket.blob(output_object)
           results_bytes = blob.download_as_bytes()
           batch_recognize_results = cloud_speech.BatchRecognizeResults.from_json(
               results_bytes, ignore_unknown_fields=True
           )
       
           for result in batch_recognize_results.results:
               print(f"Transcript: {result.alternatives[0].transcript}")
       
           return batch_recognize_results
       
       

       複数のファイルに対して一括認識を実行する

       次に、Cloud Storage の複数の音声ファイルに対して一括音声認識を実行し、Cloud Storage の出力ファイルから音声文字変換結果を読み取る例を示します。

       Python

       import os
       import re
       from typing import List
       
       from google.cloud import storage
       from google.cloud.speech_v2 import SpeechClient
       from google.cloud.speech_v2.types import cloud_speech
       
       PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")
       
       
       def transcribe_batch_multiple_files_v2(
           audio_uris: List[str],
           gcs_output_path: str,
       ) -> cloud_speech.BatchRecognizeResponse:
           """Transcribes audio from multiple Google Cloud Storage URIs using the Google Cloud Speech-to-Text API.
           The transcription results are stored in another Google Cloud Storage bucket.
           Args:
               audio_uris (List[str]): The list of Google Cloud Storage URIs of the input audio files.
                   E.g., ["gs://[BUCKET]/[FILE]", "gs://[BUCKET]/[FILE]"]
               gcs_output_path (str): The Google Cloud Storage bucket URI where the output transcript will be stored.
                   E.g., gs://[BUCKET]
           Returns:
               cloud_speech.BatchRecognizeResponse: The response containing the URIs of the transcription results.
           """
           # Instantiates a client
           client = SpeechClient()
       
           config = cloud_speech.RecognitionConfig(
               auto_decoding_config=cloud_speech.AutoDetectDecodingConfig(),
               language_codes=["en-US"],
               model="long",
           )
       
           files = [cloud_speech.BatchRecognizeFileMetadata(uri=uri) for uri in audio_uris]
       
           request = cloud_speech.BatchRecognizeRequest(
               recognizer=f"projects/{PROJECT_ID}/locations/global/recognizers/_",
               config=config,
               files=files,
               recognition_output_config=cloud_speech.RecognitionOutputConfig(
                   gcs_output_config=cloud_speech.GcsOutputConfig(
                       uri=gcs_output_path,
                   ),
               ),
           )
       
           # Transcribes the audio into text
           operation = client.batch_recognize(request=request)
       
           print("Waiting for operation to complete...")
           response = operation.result(timeout=120)
       
           print("Operation finished. Fetching results from:")
           for uri in audio_uris:
               file_results = response.results[uri]
               print(f"  {file_results.uri}...")
               output_bucket, output_object = re.match(
                   r"gs://([^/]+)/(.*)", file_results.uri
               ).group(1, 2)
       
               # Instantiates a Cloud Storage client
               storage_client = storage.Client()
       
               # Fetch results from Cloud Storage
               bucket = storage_client.bucket(output_bucket)
               blob = bucket.blob(output_object)
               results_bytes = blob.download_as_bytes()
               batch_recognize_results = cloud_speech.BatchRecognizeResults.from_json(
                   results_bytes, ignore_unknown_fields=True
               )
       
               for result in batch_recognize_results.results:
                   print(f"     Transcript: {result.alternatives[0].transcript}")
       
           return response
       
       

       一括認識で動的一括処理を有効にする

       動的一括処理を使用すると、より高いレイテンシに対して低コストで音声文字変換を行うことができます。この機能はバッチ認識でのみ使用できます。

       次に、動的一括処理を有効にして Cloud Storage の音声ファイルに対して一括認識を実行する例を示します。

       Python

       import os
       
       from google.cloud.speech_v2 import SpeechClient
       from google.cloud.speech_v2.types import cloud_speech
       
       PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")
       
       
       def transcribe_batch_dynamic_batching_v2(
           audio_uri: str,
       ) -> cloud_speech.BatchRecognizeResults:
           """Transcribes audio from a Google Cloud Storage URI using dynamic batching.
           Args:
               audio_uri (str): The Cloud Storage URI of the input audio.
               E.g., gs://[BUCKET]/[FILE]
           Returns:
               cloud_speech.BatchRecognizeResults: The response containing the transcription results.
           """
           # Instantiates a client
           client = SpeechClient()
       
           config = cloud_speech.RecognitionConfig(
               auto_decoding_config=cloud_speech.AutoDetectDecodingConfig(),
               language_codes=["en-US"],
               model="long",
           )
       
           file_metadata = cloud_speech.BatchRecognizeFileMetadata(uri=audio_uri)
       
           request = cloud_speech.BatchRecognizeRequest(
               recognizer=f"projects/{PROJECT_ID}/locations/global/recognizers/_",
               config=config,
               files=[file_metadata],
               recognition_output_config=cloud_speech.RecognitionOutputConfig(
                   inline_response_config=cloud_speech.InlineOutputConfig(),
               ),
               processing_strategy=cloud_speech.BatchRecognizeRequest.ProcessingStrategy.DYNAMIC_BATCHING,
           )
       
           # Transcribes the audio into text
           operation = client.batch_recognize(request=request)
       
           print("Waiting for operation to complete...")
           response = operation.result(timeout=120)
       
           for result in response.results[audio_uri].transcript.results:
               print(f"Transcript: {result.alternatives[0].transcript}")
       
           return response.results[audio_uri].transcript
       
       

       ファイルごとに認識機能をオーバーライドする

       一括認識のデフォルトでは、バッチ認識リクエストのファイルごとに同じ認識構成が使用されます。さまざまなファイルで異なる構成や機能が必要な場合は、[BatchRecognizeFileMetadata][batch-file-metadata-grpc] メッセージの config フィールドを使用して、ファイルごとに構成をオーバーライドできます。認識機能をオーバーライドする例については、認識機能のドキュメントをご覧ください。

       クリーンアップ

       このページで使用したリソースについて、Google Cloud アカウントに課金されないようにするには、次の操作を行います。

       1. Optional: Revoke the authentication credentials that you created, and delete the local credential file.

          gcloud auth application-default revoke

       2. Optional: Revoke credentials from the gcloud CLI.

          gcloud auth revoke

       コンソール

       注意: プロジェクトを削除すると、次のような影響があります。

       • プロジェクト内のすべてのものが削除されます。このドキュメントのタスクで既存のプロジェクトを使用した場合、それを削除すると、そのプロジェクトで行った他の作業もすべて削除されます。
       • カスタム プロジェクト ID が失われます。このプロジェクトを作成したときに、将来使用するカスタム プロジェクト ID を作成した可能性があります。そのプロジェクト ID を使用した URL（たとえば、appspot.com）を保持するには、プロジェクト全体ではなくプロジェクト内の選択したリソースだけを削除します。

       複数のアーキテクチャ、チュートリアル、クイックスタートを実施する予定がある場合は、プロジェクトを再利用すると、プロジェクトの割り当て上限を超えないようにすることができます。

       In the Google Cloud console, go to the Manage resources page.

       Go to Manage resources

       In the project list, select the project that you want to delete, and then click Delete.

       In the dialog, type the project ID, and then click Shut down to delete the project.

       gcloud

       注意: プロジェクトを削除すると、次のような影響があります。

       • プロジェクト内のすべてのものが削除されます。このドキュメントのタスクで既存のプロジェクトを使用した場合、それを削除すると、そのプロジェクトで行った他の作業もすべて削除されます。
       • カスタム プロジェクト ID が失われます。このプロジェクトを作成したときに、将来使用するカスタム プロジェクト ID を作成した可能性があります。そのプロジェクト ID を使用した URL（たとえば、appspot.com）を保持するには、プロジェクト全体ではなくプロジェクト内の選択したリソースだけを削除します。

       複数のアーキテクチャ、チュートリアル、クイックスタートを実施する予定がある場合は、プロジェクトを再利用すると、プロジェクトの割り当て上限を超えないようにすることができます。

       Delete a Google Cloud project:

       gcloud projects delete PROJECT_ID

       次のステップ

       • 一括認識については、リファレンス ドキュメントをご覧ください。
       • ストリーミング音声を文字に変換する方法を学習する。
       • 短い音声ファイルの文字変換を行う。
       • Chirp を使用して、音声ファイルの音声文字変換を行う。
       • 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。