解锁音频转录新境界：利用Google Cloud Speech-to-Text API进行音频转录

tangtang123
271 阅读3分钟

引言

在当今数字化时代，自动化音频转录技术的需求日益增长。Google Cloud Speech-to-Text API是一个强大的工具，可以帮助开发者将音频文件快速、准确地转录为文本。在这篇文章中，我们将深入探讨如何使用Google Cloud Speech-to-Text API来转录音频文件，并将转录文本加载到文档中。

主要内容

1. 安装和设置

要使用Google Cloud Speech-to-Text API，你需要安装google-cloud-speech Python包，并创建一个Google Cloud项目并启用Speech-to-Text API。你可以在Speech-to-Text客户端库页面找到更多信息，并遵循快速入门指南来设置项目和启用API。

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

2. 使用GoogleSpeechToTextLoader

要使用GoogleSpeechToTextLoader进行音频转录，必须包含project_id和file_path参数。音频文件可以指定为Google Cloud Storage URI (gs://...)或本地文件路径。该加载器仅支持同步请求，每个音频文件的限制为60秒或10MB。

from langchain_google_community import GoogleSpeechToTextLoader

project_id = "<PROJECT_ID>"
file_path = "gs://cloud-samples-data/speech/audio.flac"  # 使用API代理服务提高访问稳定性
# 或者使用本地文件路径: file_path = "./audio.wav"

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

调用loader.load()方法会阻塞直到转录完成。转录的文本保存在page_content中：

print(docs[0].page_content)  # 输出: "How old is the Brooklyn Bridge?"

而metadata包含了完整的JSON响应和更多的元信息：

print(docs[0].metadata)

3. 配置识别设置

可以通过config参数指定不同的语音识别模型和启用特定功能。若不指定config，则默认配置为Chirp Universal Speech Model，语言为en-US，自动标点符号启用。

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

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,
)

代码示例

以下是一个完整的代码示例，展示了如何使用Google Cloud Speech-to-Text API进行音频转录。

from langchain_google_community import GoogleSpeechToTextLoader

project_id = "<YOUR_PROJECT_ID>"
file_path = "gs://cloud-samples-data/speech/audio.flac"  # 使用API代理服务提高访问稳定性

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

print(docs[0].page_content)
print(docs[0].metadata)

常见问题和解决方案

  • 音频文件大小限制：确保音频文件不超过60秒或10MB，否则需要使用长音频分片的方法。
  • 网络连接问题：在某些地区，访问Google Cloud API可能有网络限制，建议使用API代理服务来提高访问的稳定性。

总结和进一步学习资源

Google Cloud Speech-to-Text API提供了强大的功能，可以帮助开发者高效地转录音频文件。建议阅读以下资源以获得更深入的了解：

参考资料

  1. Google Speech-to-Text API 文档
  2. Google Cloud 设置指南
  3. Speech-to-Text 客户端库页面

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