1. 總覽
開發人員只要使用 Speech-to-Text API，就能透過簡單好用的 API，運用強大的類神經網路模型，將音訊轉換為文字，支援超過 125 種語言和方言。
在本教學課程中，您將著重於使用 Python 搭配 Speech-to-Text API。
課程內容
- 如何設定環境
- 如何轉錄英文音訊檔案
- 如何轉錄音訊檔案並取得字詞時間戳記
- 如何轉錄不同語言的音訊檔案
軟硬體需求
問卷調查
您會如何使用本教學課程？
你對 Python 的使用體驗如何？
你對 Google Cloud 服務的體驗滿意嗎？
2. 設定和需求條件
自修實驗室環境設定
- 登入 Google Cloud 控制台，然後建立新專案或重複使用現有專案。如果沒有 Gmail 或 Google Workspace 帳戶，請先建立帳戶。
- 專案名稱是這個專案參與者的顯示名稱。這是 Google API 未使用的字元字串。你隨時可以更新。
- 專案 ID 在所有 Google Cloud 專案中都是不重複的，而且設定後即無法變更。Cloud 控制台會自動產生專屬字串，通常您不需要在意該字串為何。在大多數程式碼研究室中，您需要參照專案 ID (通常標示為
PROJECT_ID)。如果您不喜歡產生的 ID，可以產生另一個隨機 ID。你也可以嘗試使用自己的名稱，看看是否可用。完成這個步驟後就無法變更，且專案期間會維持不變。 - 請注意，有些 API 會使用第三個值，也就是「專案編號」。如要進一步瞭解這三種值，請參閱說明文件。
- 接著，您需要在 Cloud 控制台中啟用帳單，才能使用 Cloud 資源/API。完成這個程式碼研究室的費用不高，甚至可能完全免費。如要關閉資源，避免在本教學課程結束後繼續產生費用，請刪除您建立的資源或專案。Google Cloud 新使用者可參加價值$300 美元的免費試用計畫。
啟動 Cloud Shell
雖然您可以透過筆電遠端操作 Google Cloud，但在本程式碼研究室中，您將使用 Cloud Shell，這是 Cloud 中執行的指令列環境。
啟用 Cloud Shell
- 在 Cloud 控制台，點選「啟用 Cloud Shell」 圖示
。
如果您是首次啟動 Cloud Shell，系統會顯示中繼畫面，說明這個指令列環境。如果出現中繼畫面，請按一下「繼續」。
佈建並連至 Cloud Shell 預計只需要幾分鐘。
這部虛擬機器已載入所有必要的開發工具，並提供永久的 5 GB 主目錄，而且可在 Google Cloud 運作，大幅提升網路效能並強化驗證功能。本程式碼研究室幾乎所有工作都可在瀏覽器上完成。
連至 Cloud Shell 後，您應該會看到驗證已完成，專案也已設為獲派的專案 ID。
- 在 Cloud Shell 中執行下列指令，確認您已通過驗證：
gcloud auth list
指令輸出
Credentialed Accounts
ACTIVE ACCOUNT
* <my_account>@<my_domain.com>
To set the active account, run:
$ gcloud config set account `ACCOUNT`
- 在 Cloud Shell 中執行下列指令，確認 gcloud 指令知道您的專案：
gcloud config list project
指令輸出
[core] project = <PROJECT_ID>
如未設定，請輸入下列指令手動設定專案：
gcloud config set project <PROJECT_ID>
指令輸出
Updated property [core/project].
3. 環境設定
如要開始使用 Speech-to-Text API，請先在 Cloud Shell 中執行下列指令來啟用 API：
gcloud services enable speech.googleapis.com
畫面應如下所示：
Operation "operations/..." finished successfully.
現在您可以使用 Speech-to-Text API 了！
前往主目錄：
cd ~
建立 Python 虛擬環境，隔離依附元件：
virtualenv venv-speech
啟動虛擬環境：
source venv-speech/bin/activate
安裝 IPython 和 Speech-to-Text API 用戶端程式庫：
pip install ipython google-cloud-speech
畫面應如下所示：
... Installing collected packages: ..., ipython, google-cloud-speech Successfully installed ... google-cloud-speech-2.25.1 ...
現在，您可以使用 Speech-to-Text API 用戶端程式庫了！
在接下來的步驟中，您會使用名為 IPython 的互動式 Python 解譯器，這個解譯器已在先前的步驟中安裝。在 Cloud Shell 中執行 ipython，啟動工作階段：
ipython
畫面應如下所示：
Python 3.9.2 (default, Feb 28 2021, 17:03:44) Type 'copyright', 'credits' or 'license' for more information IPython 8.18.1 -- An enhanced Interactive Python. Type '?' for help. In [1]:
您已準備好提出第一個要求...
4. 轉錄音訊檔案
在本節中，您將轉錄英文音訊檔案。
將下列程式碼複製到 IPython 工作階段：
from google.cloud import speech
def speech_to_text(
config: speech.RecognitionConfig,
audio: speech.RecognitionAudio,
) -> speech.RecognizeResponse:
client = speech.SpeechClient()
# Synchronous speech recognition request
response = client.recognize(config=config, audio=audio)
return response
def print_response(response: speech.RecognizeResponse):
for result in response.results:
print_result(result)
def print_result(result: speech.SpeechRecognitionResult):
best_alternative = result.alternatives[0]
print("-" * 80)
print(f"language_code: {result.language_code}")
print(f"transcript: {best_alternative.transcript}")
print(f"confidence: {best_alternative.confidence:.0%}")
請花點時間研究程式碼，瞭解如何使用 recognize 用戶端程式庫方法轉錄音訊檔案。config 參數會指出如何處理要求，audio 參數則會指定要辨識的音訊資料。
傳送要求：
config = speech.RecognitionConfig(
language_code="en",
)
audio = speech.RecognitionAudio(
uri="gs://cloud-samples-data/speech/brooklyn_bridge.flac",
)
response = speech_to_text(config, audio)
print_response(response)
您應該會看到以下的輸出內容：
-------------------------------------------------------------------------------- language_code: en-us transcript: how old is the Brooklyn Bridge confidence: 98%
更新設定以啟用自動標點，然後傳送新要求：
config.enable_automatic_punctuation = True
response = speech_to_text(config, audio)
print_response(response)
您應該會看到以下的輸出內容：
-------------------------------------------------------------------------------- language_code: en-us transcript: How old is the Brooklyn Bridge? confidence: 98%
摘要
在這個步驟中，您已使用不同參數轉錄英文音訊檔案，並列印結果。進一步瞭解如何轉錄音訊檔案。
5. 取得字詞時間戳記
Speech-to-Text 可以偵測轉錄音訊的時間偏移值 (時間戳記)。時間偏移值會顯示在提供的音訊中，每個所說字詞的開始與結束時間。時間偏移值代表從音訊開始起算經過的時間量，以 100 毫秒為遞增量。
如要轉錄音訊檔案並取得字詞時間戳記，請複製下列程式碼到 IPython 工作階段，更新程式碼：
def print_result(result: speech.SpeechRecognitionResult):
best_alternative = result.alternatives[0]
print("-" * 80)
print(f"language_code: {result.language_code}")
print(f"transcript: {best_alternative.transcript}")
print(f"confidence: {best_alternative.confidence:.0%}")
print("-" * 80)
for word in best_alternative.words:
start_s = word.start_time.total_seconds()
end_s = word.end_time.total_seconds()
print(f"{start_s:>7.3f} | {end_s:>7.3f} | {word.word}")
請花點時間研究程式碼，瞭解如何轉錄音訊檔案並取得字詞時間戳記*。*enable_word_time_offsets 參數會指示 API 傳回每個字的時差 (詳情請參閱文件)。
傳送要求：
config = speech.RecognitionConfig(
language_code="en",
enable_automatic_punctuation=True,
enable_word_time_offsets=True,
)
audio = speech.RecognitionAudio(
uri="gs://cloud-samples-data/speech/brooklyn_bridge.flac",
)
response = speech_to_text(config, audio)
print_response(response)
您應該會看到以下的輸出內容：
-------------------------------------------------------------------------------- language_code: en-us transcript: How old is the Brooklyn Bridge? confidence: 98% -------------------------------------------------------------------------------- 0.000 | 0.300 | How 0.300 | 0.600 | old 0.600 | 0.800 | is 0.800 | 0.900 | the 0.900 | 1.100 | Brooklyn 1.100 | 1.400 | Bridge?
摘要
在這個步驟中，您已能轉錄英文音訊檔案，並取得單字時間戳記和列印結果。進一步瞭解如何取得字詞時間戳記。
6. 轉錄不同語言的內容
Speech-to-Text API 可辨識超過 125 種語言和方言！如要查看支援的語言清單，請按這裡。
在本節中，您將轉錄法文音訊檔案。
如要轉錄法文音訊檔案，請將下列程式碼複製到 IPython 工作階段，更新程式碼：
config = speech.RecognitionConfig(
language_code="fr-FR",
enable_automatic_punctuation=True,
enable_word_time_offsets=True,
)
audio = speech.RecognitionAudio(
uri="gs://cloud-samples-data/speech/corbeau_renard.flac",
)
response = speech_to_text(config, audio)
print_response(response)
您應該會看到以下的輸出內容：
-------------------------------------------------------------------------------- language_code: fr-fr transcript: Maître corbeau sur un arbre perché Tenait dans son bec un fromage maître Renard par l'odeur alléché lui tint à peu près ce langage et bonjour monsieur du corbeau. confidence: 94% -------------------------------------------------------------------------------- 0.000 | 0.700 | Maître 0.700 | 1.100 | corbeau 1.100 | 1.300 | sur 1.300 | 1.600 | un 1.600 | 1.700 | arbre 1.700 | 2.000 | perché 2.000 | 3.000 | Tenait 3.000 | 3.000 | dans 3.000 | 3.200 | son 3.200 | 3.500 | bec 3.500 | 3.700 | un 3.700 | 3.800 | fromage ... 10.800 | 11.800 | monsieur 11.800 | 11.900 | du 11.900 | 12.100 | corbeau.
摘要
在這個步驟中，您已成功轉錄法文音訊檔案並列印結果。進一步瞭解支援的語言。
7. 恭喜！
您已學會如何使用 Python 搭配 Speech-to-Text API，對音訊檔執行各種轉錄作業！
清除所用資源
如要清除開發環境，請在 Cloud Shell 中執行下列指令：
- 如果仍在 IPython 工作階段中，請返回 Shell：
exit - 停止使用 Python 虛擬環境：
deactivate - 刪除虛擬環境資料夾：
cd ~ ; rm -rf ./venv-speech
如要刪除 Google Cloud 專案，請在 Cloud Shell 中執行下列操作：
- 擷取目前的專案 ID：
PROJECT_ID=$(gcloud config get-value core/project) - 確認這是要刪除的專案：
echo $PROJECT_ID - 刪除專案：
gcloud projects delete $PROJECT_ID
瞭解詳情
- 在瀏覽器中測試試用版：https://cloud.google.com/speech-to-text
- 語音轉文字說明文件：https://cloud.google.com/speech-to-text/docs
- Google Cloud 上的 Python：https://cloud.google.com/python
- Python 適用的 Cloud 用戶端程式庫：https://github.com/googleapis/google-cloud-python
授權
這項內容採用的授權為 Creative Commons 姓名標示 2.0 通用授權。