複数のチャンネルを含む音声の文字変換

このページでは、Speech-to-Text を使用して複数のチャンネルを含む音声ファイルを文字変換する方法を説明します。マルチチャンネル認識は、最大 8 チャンネルの Speech-to-Text でサポートされているすべての音声エンコードで使用できます。

AutoDetectDecodingConfig を使用している場合は、ファイルに含まれる音声チャンネルの数を指定する必要はありません。自動的に決定されます。音声チャンネル数は、ExplicitDecodingConfig を使用する場合に指定する必要があります。

通常、音声データには録音中に存在している話者ごとに 1 つのチャンネルが含まれます。たとえば、2 人が電話で会話している音声では、回線ごとに別々に録音された 2 つのチャンネルが含まれます。

複数のチャネルを使用してリクエストを送信すると、Speech-to-Text は、音声内の異なるチャネルを識別する結果を、channel_tag フィールドで各結果の代替をラベル付けして返します。

注: 複数チャネルの処理は料金に影響します。詳しくは、料金ページと割り当てと上限ページをご覧ください。

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、ローカルでアプリケーションのテストを行ったり、アプリケーションをデプロイしたりできます。詳細については、 クライアント ライブラリを使用するための認証をご覧ください。

       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。

       マルチチャンネル ファイルで同期音声認識を実行する

       ローカル マルチチャンネル音声ファイルに対して、同期音声認識を行う例を次に示します。

       Python

       import os
       
       from google.cloud.speech_v2 import SpeechClient
       from google.cloud.speech_v2.types import cloud_speech
       
       PROJECT_ID = os.environ["GOOGLE_CLOUD_PROJECT"]
       
       
       def transcribe_multichannel_v2(
           audio_file: str,
       ) -> cloud_speech.RecognizeResponse:
           """Transcribe the given audio file synchronously with multichannel.
           Args:
               audio_file (str): Path to the local audio file to be transcribed.
                   Example: "resources/two_channel_16k.wav"
           Returns:
               cloud_speech.RecognizeResponse: The full response object which includes the transcription results.
           """
           # Instantiates a client
           client = SpeechClient()
       
           # Reads a file as bytes
           with open(audio_file, "rb") as f:
               audio_content = f.read()
       
           config = cloud_speech.RecognitionConfig(
               auto_decoding_config=cloud_speech.AutoDetectDecodingConfig(),
               language_codes=["en-US"],
               model="long",
               features=cloud_speech.RecognitionFeatures(
                   multi_channel_mode=cloud_speech.RecognitionFeatures.MultiChannelMode.SEPARATE_RECOGNITION_PER_CHANNEL,
               ),
           )
       
           request = cloud_speech.RecognizeRequest(
               recognizer=f"projects/{PROJECT_ID}/locations/global/recognizers/_",
               config=config,
               content=audio_content,
           )
       
           # Transcribes the audio into text
           response = client.recognize(request=request)
       
           for result in response.results:
               print(f"Transcript: {result.alternatives[0].transcript}")
               print(f"Channel tag: {result.channel_tag}")
       
           return response
       
       

       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

       • 短い音声ファイルの文字変換を行う。
       • ストリーミング音声を文字に変換する方法を学習する。
       • 長い音声ファイルを文字に変換する方法を学習する。
       • 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。