[PYTHON] Bis Sie die Google Speech API verwenden können

Kürzlich habe ich nachgeforscht, weil ich ein Programm erstellen wollte, das Spracherkennung verwendet, und als ich Gerüchte von verschiedenen Leuten hörte, dass es "genau" sei, kam mir die Idee, die Google Speech API zu verwenden. Als ich versuchte, es zu bewegen, gab es einige Orte, an denen ich süchtig war, also notieren Sie es sich.

Was kann ich tun?

Die Google Speech API ist eine API zur Verwendung der Spracherkennungstechnologie von Google.

Diese API verwendet eine Sprachdatei als Eingabe und gibt mit Sicherheit einen plausiblen natürlichen Satz aus, der der Stimme entspricht. Es scheint, dass Version 2 derzeit ausgeführt wird.

API-Benutzerregistrierung

Für die Verwendung der Google Speech API ist eine Registrierung in der Google Developer Console erforderlich.

Google Developer Console

Google Developer Console https://console.developers.google.com/project

In diesem Bereich scheint sich die Benutzeroberfläche stark zu unterscheiden, je nachdem, ob Sie zuvor die Google-API verwendet haben oder nicht. Ich hoffe, Sie können Ihr Verfahren nur als Referenz verwenden.

Klicken Sie auf "Google API verwenden".

Erstellen Sie ein Projekt, indem Sie einen geeigneten Projektnamen und eine Projekt-ID eingeben. Klicken Sie auf den erstellten Projektnamen, um zum Dashboard zu wechseln.

Ich dachte, dass die Sprach-API in der Registerkarte "Google API" enthalten ist und suchte danach, konnte sie aber nicht finden (ich war hier verrückt danach).

Treten Sie der Chrome-Dev-Gruppe bei

http://eyepodtouch.net/?p=81

Gemäß diesem Artikel müssen Sie der Chrome-Dev-Gruppe beitreten, um die Sprach-API aus Japan zu aktivieren.

https://groups.google.com/a/chromium.org/forum/?fromgroups#!forum/chromium-dev

Klicken Sie auf "Der zu postenden Gruppe beitreten", um Mitglied zu werden (beachten Sie, dass Sie eine Benachrichtigung über Melis on Mead erhalten?).

API-Aktivierung und Schlüsselerfassung

Wenn Sie der Gruppe beitreten können, können Sie die Google Speech-API durchsuchen. Klicken Sie daher auf "API aktivieren", um sie zu aktivieren (da das zweite Bild bereits aktiviert wurde, lautet die Schaltfläche "API". Ist behindert).

Auf der Registerkarte "Anmeldeinformationen"

Wählen Sie "Neue Anmeldeinformationen" -> "API-Schlüssel" -> "Serverschlüssel".

Geben Sie einen geeigneten Serverschlüsselnamen ein und klicken Sie auf "Erstellen", um den Schlüssel (die Zeichenfolge) für die API abzurufen. Notieren Sie sich diesen Wert.

Jetzt können Sie die API verwenden.

Versuchen Sie es mit der API

Die Umwelt ist OS: Mac OS X 10.11 Mike: Eingebautes Mikrofon für Macbook Air Mid 2013

Folgen Sie vorerst dem Anwendungsbeispiel

Versuchen Sie hier einmal, die API gemäß dem Verwendungsbeispiel in einem bestimmten Github-Repository zu verwenden (es ist ein wenig beängstigend, weil dort "Reverse Engineering" steht). https://github.com/gillesdemey/google-speech-v2 Diese Seite enthält auch API-Spezifikationen, auf die Sie verweisen können.

$ cd
$ mkdir src/
$ cd src/
$ git clone https://github.com/gillesdemey/google-speech-v2.git
$ cd google-speech-v2/

$ curl -X POST \
--data-binary @'audio/hello (16bit PCM).wav' \
--header 'Content-Type: audio/l16; rate=16000;' \
'https://www.google.com/speech-api/v2/recognize?output=json&lang=en-us&key=<your api key>'
# {"result":[]}
# {"result":[{"alternative":[{"transcript":"hello Google","confidence":0.98762906},{"transcript":"hello Google Now"},{"transcript":"hello Google I"}],"final":true}],"result_index":0}

Versuchen Sie, die von Ihnen selbst aufgenommene Tonquelle zu laden

Für WAV-Dateien, wie auf der obigen Seite gezeigt

#In einer Umgebung, in der Homebrew verwendet werden kann
$ brew install sox
$ rec --encoding signed-integer --bits 16 --channels 1 --rate 16000 test.wav
rec WARN formats: can't set sample rate 16000; using 44100
rec WARN formats: can't set 1 channels; using 2
#↑ Obwohl es eine solche Beschreibung gibt, hat die tatsächlich erstellte Datei eine Abtastfrequenz von 16,000Hz, 1 Kanal ...

Input File     : 'default' (coreaudio)
Channels       : 2
Sample Rate    : 44100
Precision      : 32-bit
Sample Encoding: 32-bit Signed Integer PCM

In:0.00% 00:00:11.15 [00:00:00.00] Out:177k  [      |      ]        Clip:0
#Aufnahme mit dem eingebauten Mikrofon. Strg+Beenden Sie mit C.

Durch

SoX http://sox.sourceforge.net/ Es scheint, dass Sie mit aufnehmen können. (Selbst wenn Sie dies nicht verwenden, ist es natürlich in Ordnung, wenn Sie eine 16-Bit-PCM-Soundquelle vorbereiten können.)

Hier habe ich versucht, die Stimme von "Hallo" aufzunehmen, um es zu versuchen.

Für diesen test.wav

$ curl -X POST \
--data-binary @'test.wav' \
--header 'Content-Type: audio/l16; rate=16000;' \
'https://www.google.com/speech-api/v2/recognize?output=json&lang=ja-JP&key=<your api key>'
{"result":[]}
{"result":[{"alternative":[{"transcript":"Hallo","confidence":0.95324326},{"transcript":"Hallo"},{"transcript":"Hallo"},{"transcript":"Hallo"}],"final":true}],"result_index":0}

Auf diese Weise wurde die Zeichenkette erhalten, die der richtig aufgezeichneten Stimme entspricht.

Der MIME-Typ und die Abtastfrequenz der Schallquelle müssen im Anforderungsheader beschrieben werden. Beachten Sie auch, dass der Parameter lang geringfügig von 'en-js'to'ja-JP' geändert wird, um Japanisch zu unterstützen.

Versuchen Sie, ein Skript zu schreiben

Ab hier ist es ein kompletter Bonus. Wenn es HTTP unterstützt, können Sie eine Anfrage auch über ein Skript senden.

Pepper Hands-on-Basic B Spracherkennung - Bringen Sie Pepper dazu, Ihren Namen mithilfe der Google Speech API [Tech-Circle # 7] zu kennen ↑ Ich habe darauf hingewiesen.

Bereiten Sie die Audiodaten, die Sie im WAV-Format erkennen möchten, auf die gleiche Weise wie zuvor vor (test.wav). Es wird davon ausgegangen, dass sich diese Datei im selben Verzeichnis wie das folgende Skript befindet.

Unten ist der Python3-Code. Zum Beispiel test.py.

test.py

import sys
import json
import urllib.parse
import urllib.request

apikey = 'your api key'
endpoint = 'http://www.google.com/speech-api/v2/recognize'
query_string = {'output': 'json', 'lang': 'ja-JP', 'key': apikey}

url = '{0}?{1}'.format(endpoint, urllib.parse.urlencode(query_string))

headers = {'Content-Type': 'audio/l16; rate=16000'}
voice_data = open(sys.argv[1], 'rb').read()

request = urllib.request.Request(url, data=voice_data, headers=headers)
response = urllib.request.urlopen(request).read()

#Da es sich bei der Ausgabe um einen mehrzeiligen JSON handelt, löschen Sie diejenigen, die als unnötig erscheinen
for line in response.decode('utf-8').split():
    if not line:
        continue
    else:
	    res = json.loads(line)
   	    if res['result'] == []:
            continue
        else:
            print(res)

$ python test.py test.wav
{'result_index': 0, 'result': [{'final': True, 'alternative': [{'confidence': 0.95324326, 'transcript': 'Hallo'}, {'transcript': 'Hallo'}, {'transcript': 'Hallo'}, {'transcript': 'Hallo'}]}]}

Weitere Hinweise

• Die kostenlose Version ist auf ungefähr 50 Mal pro Tag beschränkt (obwohl es den Anschein hat, dass Sie sie tatsächlich etwas mehr verschieben können).
• Es dauert eine unerwartete Ausführungszeit (für eine Sprachdatei von weniger als 10 Sekunden beträgt die Ausführungszeit etwa 10 Sekunden).
• Wie auf der obigen Github-Seite erwähnt, scheint diese API hauptsächlich Audiodateien von etwa 10 bis 15 Sekunden zu unterstützen, und es besteht eine hohe Wahrscheinlichkeit, dass für Audio, das zu lang / zu kurz ist, keine genaue Antwort zurückgegeben werden kann. Als Talent für die Aufnahme hatte ich das Gefühl, dass ich, selbst wenn ich lange nicht sprach, es gut aufnehmen könnte, indem ich die Länge der gesamten Audiodatei auf etwa 10 Sekunden einstelle.
• Soweit ich bestätigt habe, konnte ich 16-Bit-PCM-, 44.100-Hz- und 16.000-Hz-Audiodateien gut erkennen (nur für 1 Kanal). Es scheint, dass es auch das Flac-Format unterstützt, aber ich bin mir nicht sicher.
• Aus irgendeinem Grund kann der JSON der Antwort als mehrere Zeilen zurückgegeben werden. Da ich die Spezifikationen nicht kenne, habe ich keine andere Wahl, als die Bedeutung anderer Parameter zu erraten.

Eindrücke habe ich versucht

Ich denke die Genauigkeit ist immer noch hoch. Selbst wenn Sie einen langen Satz oder etwas sagen, das etwas schwer zu hören ist, wird es ihn aufgreifen. Der Nachteil ist, dass die Ausführung sehr lange dauert und die Genauigkeit je nach Datei variiert. Daher scheint die Verwendung in einer App, die Echtzeitleistung und ein gewisses Maß an Genauigkeit erfordert, etwas schwierig zu sein. Ich denke, der Typ, der auf dem Smartphone läuft, ist schneller und genauer. </ S> Selbst nachdem ich das abgezogen hatte, fand ich es einfach erstaunlich, dass es kostenlos verwendet werden konnte.