Transcription vocale automatique avec l'API Google Cloud Speech

Un rêve de transcrire automatiquement les sources sonores de conférence et d'interview

L'API a été mise à jour en août 2017 pour permettre jusqu'à 3 heures d'audio. J'ai essayé de convertir les données audio en fichier txt. L'environnement utilise la console cloud de GCP, qui peut être utilisée en déplacement, afin qu'il puisse être automatiquement transcrit dès qu'une interview est prise.

※référence http://jp.techcrunch.com/2017/08/15/20170814google-updates-its-cloud-speech-api-with-support-for-more-languages-word-level-timestamps/

Environnement, langue, etc.

• Google Cloud Speech API
• Google Cloud Storage
• python

Activer l'API Speech

Activez l'API Speech en vous référant à l'URL ci-dessous. Gratuit jusqu'à 60 minutes de voix, après quoi vous serez facturé 0,6 centimes toutes les 15 secondes, mais si vous utilisez Google Cloud Platform pour la première fois, vous recevrez 300 $, qui est valable un an (à partir d'août 2017) https://cloud.google.com/speech/docs/getting-started

Créez les informations d'authentification dans le fichier de clé du compte de service (format JSON).

Authentification API avec Google Cloud Shell

Lancez Google Cloud Shell et importez le fichier JSON pour l'authentification dans le coin supérieur droit.

Après le téléchargement, authentifiez-vous avec le fichier JSON.

python

$ export GOOGLE_APPLICATION_CREDENTIALS=hogehoge.json

Créer un fichier audio

Il n'est pas possible d'utiliser le mp3 ou le AAC tel quel, et il est nécessaire de le convertir dans un format compatible. J'ai essayé diverses choses, mais les paramètres suivants sont recommandés.

• FLAC
• Monaural
• 16000Hz
• 16bit

(Référence: service de conversion en ligne) https://audio.online-convert.com/convert-to-flac

conversion

Téléchargez le fichier FLAC dans Google Cloud Strage. Cliquez ici pour savoir comment créer Google Cloud Storage https://cloud.google.com/storage/docs/quickstart-console?hl=ja

J'ai téléchargé le fichier python directement dans le shell. Je ne suis pas un ingénieur principal, alors en regardant le tutoriel, je vais y aller ...

transcribe.py

# !/usr/bin/env python
# coding: utf-8
import argparse
import io
import sys
import codecs
import datetime
import locale

def transcribe_gcs(gcs_uri):
    from google.cloud import speech
    from google.cloud.speech import enums
    from google.cloud.speech import types
    client = speech.SpeechClient()

    audio = types.RecognitionAudio(uri=gcs_uri)
    config = types.RecognitionConfig(
        encoding=enums.RecognitionConfig.AudioEncoding.FLAC,
        language_code='ja-JP')

    operation = client.long_running_recognize(config, audio)

    print('Waiting for operation to complete...')
    operationResult = operation.result()

    d = datetime.datetime.today()
    today = d.strftime("%Y%m%d-%H%M%S")
    fout = codecs.open('output{}.txt'.format(today), 'a', 'shift_jis')

    for result in operationResult.results:
      for alternative in result.alternatives:
          fout.write(u'{}\n'.format(alternative.transcript))
    fout.close()

if __name__ == '__main__':
    parser = argparse.ArgumentParser(
        description=__doc__,
        formatter_class=argparse.RawDescriptionHelpFormatter)
    parser.add_argument(
        'path', help='GCS path for audio file to be recognized')
    args = parser.parse_args()
    transcribe_gcs(args.path)

Enfin, procédez comme suit et attendez un moment pour terminer la conversion.

python

$ python transcribe.py gs://Nom du godet/testmusic.flac

Mise en garde

• Fichier jusqu'à 3 heures
• Il faut environ 15 minutes pour transcrire une heure de voix
• Comme c'est une langue parlée, il n'y a pas de signes de ponctuation (la version anglaise semble pouvoir ajouter automatiquement des points de ponctuation, donc la sortie de la version japonaise est attendue)
• Parfois, j'obtiens l'erreur "Le paramètre Hertz est différent". Dans ce cas, définissez la valeur du taux d'échantillonnage dans le fichier python.

python

config = types.RecognitionConfig(
        encoding=enums.RecognitionConfig.AudioEncoding.FLAC,
        sample_rate_hertz=16000, #Ajouter cette ligne
        language_code='ja-JP')

• Quand j'ai essayé de l'utiliser pour la première fois depuis longtemps, ImportError: impossible d'importer le discours de nom est sorti, alors je l'ai mis à jour

python

sudo pip install --upgrade google-cloud-speech

Précision (impression)

Choses qui ne sont pas liées à la précision

• Sensibilité du microphone
• Vitesse de parole
• bruit

Choses liées à la précision

• Façon de parler de l'orateur (qu'elle soit claire ou non)
• Réponse de la chambre

Il est surprenant que la réverbération de la pièce affecte considérablement la précision. Le bruit tel que le bruit de la climatisation n'affectait pas la précision, même s'il était assez bruyant. Il peut être facile de séparer.