[PYTHON] Streaming-Spracherkennung mit der Google Cloud Speech API

• Informationen ab 14. September 2016 *

Versuchen Sie, die Spracherkennung von der Mikrofoneingabe mit der Google Cloud Speech API zu streamen.

Zuvor habe ich versucht, aufgezeichnete Dateien mit der REST-API-Version zu erkennen, daher werde ich diesmal versuchen, die Streaming-Erkennung mit der gRPC-Version durchzuführen.

Verfahren

Offizielles Google-Beispiel Befolgen Sie die Schritte in READ ME.

Dieses Mal werde ich die Streaming-Erkennung transcript_streaming.py ausprobieren.

Gleiches Verfahren wie bei der REST-Version, bis json of Service Account abgerufen wird.

1. Melden Sie sich für die Google Cloud-Plattform an
2. Erstellen Sie ein Projekt in der Entwicklerkonsole, aktivieren Sie die Sprach-API und rufen Sie die json-Datei des Dienstkontos zur Authentifizierung ab.
3. Setzen Sie die heruntergeladene JSON-Datei auf die Umgebungsvariable "GOOGLE_APPLICATION_CREDENTIALS"
4. Führen Sie ein Beispielskript aus
5. Aktivieren Sie Port-Audio
6. Installation des erforderlichen Pip-Moduls (virtualenv empfohlen)
7. Setzen Sie transcribe_streaming.py, um Japanisch zu erkennen
8. Ändern Sie language_code in Recognition_config von en-US in ja-JP
9. Passen Sie die Abtastrate usw. an Ihre Umgebung an
10. Die Einstellung um das Gerät ist record_audio, die Methode von pyaudio.
11. Führen Sie das Sample in `` `$ python transcribe_streaming.py``` aus und sprechen Sie in das Mikrofon

Beim Start wird die Erkennung so lange fortgesetzt, wie service.StreamingRecognize einen Wert in listen_print_loop zurückgibt. (Sie endet mit einem Timeout, wenn die Anzahl der Sekunden von DEADLINE_SECS abgelaufen ist.)

Dieses Beispiel beendet die Verarbeitung, wenn die Anweisung die Wörter "exit" oder "quit" enthält (die zweite Hälfte von * listen_print_loop *), sodass diese Wörter als "stop" oder "end" gestoppt werden können. Wenn Sie es ändern, können Sie dasselbe auf Japanisch tun.

Erkennungsverhalten

――Wenn für einen bestimmten Zeitraum Stille herrscht, wird sie auch dann als fortlaufende Rede erkannt, wenn einige Zeit vergeht.

• Sobald erkannt, werden "is_final = True" und "Confidence" mit dem resultierenden Text zurückgegeben. -Wenn Sie in * stream_config * interim_results = True angeben, können Sie das Erkennungsergebnis während der Rede erhalten.

Es scheint, dass die Erkennung in der Mitte der Rede auf Wortebene erfolgt, und ich bin überrascht über eine Geschwindigkeit, die ich nicht durch das Netzwerk denken kann. Das Erkennungsergebnis in der Mitte kann jedoch falsch sein. Wenn Sie sich also nicht beeilen, endet alles Es ist besser zu warten.

Weitere Optionen finden Sie im gRPC-API-Handbuch.

Der Github-Code wird häufig aktualisiert, daher sollten Sie ihn täglich überprüfen.

Fehler

Ich habe es mit dem eingebauten Mikrofon des Laptops / externen Mikrofons von USB mit MAC bzw. Linux versucht, aber nach ca. 3-10 Reden oder 15-30 Sekunden erkennen sie nicht ohne Fehler. Untersuchung erforderlich.

Verschiedene Gefühle

Da es sich um v1beta1 handelt, scheint es sich noch in der Testphase zu befinden. Es scheint schwierig zu sein, es richtig zu verwenden, es sei denn, Sie sind an gRPC gewöhnt (und wie man mit Pyton umgeht).