Google Speech-to-Text API 初体验

背景

体验一下 Google 的语音转文本服务。

简介

Google Speech-to-Text 服务，利用机器学习技术将语音转换为文本，无论音频长短均可实现。

初体验

官方提供三种工具：客户端库，gcloud 工具和命令行。

使用 gcloud 可以无痛上手。

gcloud 准备工作

1. 开通账户：需要验证信用卡，具体略
2. 创建一个项目
3. 下载安装云 SDK

发出请求

音频转录请求

请求

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

结果

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

转录短音频文件

使用同步语音识别，将短音频文件(不到 1 分钟)转录为文字。

本地文件

指令

gcloud ml speech recognize PATH-TO-LOCAL-FILE  --language-code='en-US'

限制

• 只 fcrfsingle channel (mono) audio

体验

gcloud ml speech recognize nls-sample-16k.wav --language-code='zh-CN'

结果

{
	"results": [{
		"alternatives": [{
			"confidence": 0.97500247,
			"transcript": "北京的天气"
		}]
	}]
}

远程文件

最上面第一个初体验正是远程文件。

文件格式

| 编解码器 | 名称 | 无损 | 使用说明 |
| FLAC | 免费无损音频编解码器 | 是 | 信息流要求使用 16 位或 24 位的位深 |
| LINEAR16 | 线性 PCM | 是 | |
| MULAW | μ 律 | 否 | |
| AMR | 自适应多速率窄带 | 否 | 采样率必须为 8000 Hz |
| AMR_WB | 自适应多速率宽带 | 否 | 采样率必须为 16000 Hz |
| OGG_OPUS | Ogg 容器中的 Opus 编码音频帧 | 否 | 采样率必须为 8000 Hz、12000 Hz、16000 Hz、24000 Hz 或 48000 Hz 之一 |
| SPEEX_WITH_HEADER_BYTE | Speex 宽带 | 否 | 采样率必须为 16000 Hz |

转录长音频文件

使用异步语音识别，将长音频文件（时长超过 1 分钟）转录为文字

长音频文件推荐使用 GCS URI，即将音频存储在 gs 上。

如果是本地音频，则有限制：时长 < 8 分钟，大小 <

远程文件初体验

提交请求

输入

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

响应

Check operation [875262839786112xxxx] for status.
{
  "name": "875262839786112xxxx"
}

查询结果

请求

gcloud ml speech operations describe 875262839786112xxxx

响应

{
	"done": true,
	"metadata": {
		"@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeMetadata",
		"lastUpdateTime": "2018-10-19T09:50:44.091939Z",
		"progressPercent": 100,
		"startTime": "2018-10-19T09:50:41.952946Z"
	},
	"name": "875262839786112xxxx",
	"response": {
		"@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeResponse",
		"results": [{
			"alternatives": [{
				"confidence": 0.98360395,
				"transcript": "how old is the Brooklyn Bridge"
			}]
		}]
	}
}

持续查询结果

查询

gcloud ml speech operations wait 875262839786112xxxx

响应

Waiting for operation [875262839786112xxxx] to complete...done.
{
	"@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeResponse",
	"results": [{
		"alternatives": [{
			"confidence": 0.98360395,
			"transcript": "how old is the Brooklyn Bridge"
		}]
	}]
}

本地文件初体验

提交

gcloud ml speech recognize-long-running "news-20170607-8k-50s.wav" --language-code='cmn-Hans-CN' --async

结果

Check operation [30093786222362xxxx] for status.
{
  "name": "30093786222362xxxx"
}

查询

gcloud ml speech operations wait 30093786222362xxxx

结果

Waiting for operation [30093786222362xxxx] to complete...done.
…………

从流式输入转录音频

必须使用客户端库，暂且略过。

附录

测试中文音频

• 新闻联播音频

参考

• Cloud Speech-to-Text
• Google quickstart-gcloud
• 音频编码简介