[PYTHON] Automatische Sprachtranskription mit Google Cloud Speech API

Ein Traum davon, Tonquellen für Konferenzen und Interviews automatisch zu transkribieren

Die API wurde im August 2017 aktualisiert, um bis zu 3 Stunden Audio zu ermöglichen. Ich habe versucht, Audiodaten in eine TXT-Datei zu konvertieren. Die Umgebung verwendet die Cloud-Konsole von GCP, die auch unterwegs verwendet werden kann, sodass sie automatisch transkribiert werden kann, sobald ein Interview geführt wird.

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

Umwelt, Sprache usw.

• Google Cloud Speech API
• Google Cloud Storage
• python

Sprach-API aktivieren

Aktivieren Sie die Sprach-API unter Bezugnahme auf die unten stehende URL. Kostenlos für bis zu 60 Minuten Sprache. Danach werden Ihnen alle 15 Sekunden 0,6 Cent berechnet. Wenn Sie jedoch zum ersten Mal die Google Cloud Platform verwenden, erhalten Sie 300 US-Dollar, gültig für ein Jahr (Stand August 2017). https://cloud.google.com/speech/docs/getting-started

Erstellen Sie die Authentifizierungsinformationen in der Dienstkonto-Schlüsseldatei (JSON-Format).

API-Authentifizierung mit Google Cloud Shell

Starten Sie Google Cloud Shell und laden Sie die JSON-Datei zur Authentifizierung in der oberen rechten Ecke hoch.

Authentifizieren Sie sich nach dem Hochladen mit der JSON-Datei.

python

$ export GOOGLE_APPLICATION_CREDENTIALS=hogehoge.json

Audiodatei erstellen

Es ist nicht möglich, MP3 oder AAC so wie es ist zu verwenden, und es ist notwendig, es in ein kompatibles Format zu konvertieren. Ich habe verschiedene Dinge ausprobiert, aber die folgenden Einstellungen werden empfohlen.

• FLAC
• Mono
• 16000Hz
• 16bit

(Referenz: Online-Konvertierungsdienst) https://audio.online-convert.com/convert-to-flac

Umwandlung

Laden Sie die FLAC-Datei in Google Cloud Strage hoch. Klicken Sie hier, um zu erfahren, wie Sie Google Cloud Storage erstellen https://cloud.google.com/storage/docs/quickstart-console?hl=ja

Ich habe die Python-Datei direkt in die Shell hochgeladen. Ich bin kein Hauptingenieur, also während ich mir das Tutorial ansehe ...

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)

Führen Sie abschließend die folgenden Schritte aus und warten Sie eine Weile, bis die Konvertierung abgeschlossen ist.

python

$ python transcribe.py gs://Eimername/testmusic.flac

Hinweis

• Datei bis zu 3 Stunden
• Es dauert ungefähr 15 Minuten, um die Stimme 1 Stunde lang zu transkribieren.
• Da es sich um eine gesprochene Sprache handelt, gibt es keine Satzzeichen (die englische Version scheint in der Lage zu sein, Satzzeichen automatisch hinzuzufügen, sodass die Veröffentlichung der japanischen Version erwartet wird).
• Gelegentlich wird die Fehlermeldung "Die Hertz-Einstellung ist anders" angezeigt. In diesem Fall legen Sie den Wert für die Abtastrate in der Python-Datei fest.

python

config = types.RecognitionConfig(
        encoding=enums.RecognitionConfig.AudioEncoding.FLAC,
        sample_rate_hertz=16000, #Fügen Sie diese Zeile hinzu
        language_code='ja-JP')

• Als ich zum ersten Mal seit langer Zeit versuchte, es zu verwenden, kam ImportError: Namenssprache kann nicht importiert heraus, daher habe ich es aktualisiert

python

sudo pip install --upgrade google-cloud-speech

Genauigkeit (Eindruck)

Dinge, die nicht mit Genauigkeit zusammenhängen

• Mikrofonempfindlichkeit
• Sprechgeschwindigkeit
• Lärm

Dinge im Zusammenhang mit Genauigkeit

• Sprechweise des Sprechers (ob klar oder nicht)
• Raumantwort

Es ist überraschend, dass der Nachhall des Raumes die Genauigkeit erheblich beeinflusst. Geräusche wie Klimaanlagengeräusche beeinträchtigten die Genauigkeit nicht, selbst wenn sie ziemlich laut waren. Es kann leicht zu trennen sein.