【GCP】Cloud speech-to-text apiを触ってみた

参考URL

https://qiita.com/knyrc/items/7aab521edfc9bfb06625
(参考URLの解説的なサイト:https://qrunch.net/@OrionB312/entries/4o6rlrHxW39xSC5n)

流れ

・プロジェクトを作成or既存のプロジェクトを選択
・APIを有効化
・認証情報を設定
　今回はサービスアカウントキーを使用

export GOOGLE_APPLICATION_CREDENTIALS=/home/***/***.json

・コマンドシェルを起動
・以下のコードを記載したファイルを作成

# !/usr/bin/env python
# coding: utf-8
import argparse
import io
import sys
import codecs
import datetime
import locale

def transcribe_gcs(gcs_uri):
    from google.cloud import speech
    from google.cloud.speech import enums
    from google.cloud.speech import types
    client = speech.SpeechClient()

    audio = types.RecognitionAudio(uri=gcs_uri)
    config = types.RecognitionConfig(
        sample_rate_hertz=16000,
        encoding=enums.RecognitionConfig.AudioEncoding.FLAC,
        language_code='ja-JP')

    operation = client.long_running_recognize(config, audio)

    print('Waiting for operation to complete...')
    operationResult = operation.result()

    d = datetime.datetime.today()
    today = d.strftime("%Y%m%d-%H%M%S")
    fout = codecs.open('output{}.txt'.format(today), 'a', 'utf-8')

    for result in operationResult.results:
      for alternative in result.alternatives:
          fout.write(u'{}\n'.format(alternative.transcript))
    fout.close()

if __name__ == '__main__':
    parser = argparse.ArgumentParser(
        description=__doc__,
        formatter_class=argparse.RawDescriptionHelpFormatter)
    parser.add_argument(
        'path', help='GCS path for audio file to be recognized')
    args = parser.parse_args()
    transcribe_gcs(args.path)

・音声ファイルを作成
　例として、スマホアプリの「サウンド＆ボイスレコーダー - ASR」なら簡単に作成可能。
　　Flacファイルにして、16000HZ、モノラルで録音する。
・Storageに作成した音声ファイルを格納する。
・「Python　ファイル名　音声ファイルのURI」でコマンドを実行
・同階層にファイルができる
・ファイルの中身を確認して完了

詳細な手順の記載

1.プロジェクトを作成する。
※ここでは解説いたしません。
2.作成したプロジェクトにて、speech-to-text api の有効化をする
3.コンソール画面上部検索窓に「speech-to-text api 」を入力し、「Cloud　speech-to-text api」をクリック　
4.APIを有効にするをクリック
5.APImangerの認証情報にある認証情報を作成をクリック
6.サービスアカウントキーをクリック
7.サービスアカウントキーが作成されたことを確認し、作成されたサービスアカウントキーをダウンロードする
8.メニューからstorageをクリック
9.任意のストレージを選択し、音声ファイルをアップロードする
10.音声ファイルを作成する
　例として、スマホアプリの「サウンド＆ボイスレコーダー - ASR」なら簡単に作成可能。
　　Flacファイルにして、16000HZ、モノラルで録音する。
11.Cloud Shell を開く
12.pathを通す。
export GOOGLE_APPLICATION_CREDENTIALS=/home/ユーザ名/***.json
13.Cloud Shell の右上にあるアップロードからspeech_to_text_test.pyファイルをアップロードする
14.「Python　ファイル名　音声ファイルのURI」でコマンドを実行
15.同階層に実行した日時をファイル名としたファイルができる
16.ファイルの中身を確認すると翻訳した内容が出力される

エラー

・エラー集
https://qiita.com/hanlio/items/875b91e0d4931a57e86b

1

ImportError: cannot import name 'speech_v1' from 'google.cloud' (unknown location)

https://qiita.com/arumiti/items/835e87c35dcbb69d8ca2
ここを参考に。

python3　→　import sys　→　print(sys.path)

の順にコマンドを打つ。

pythonのインストール先がどこかが表示される。

このとき、python3ではなく、python2.7に保存されていた。
なので、python2.7で実行すれば正常に実行される。

2

https://docs.python.org/ja/3/library/codecs.html
codecsの部分をutf-8に直した

参考情報

Flacはハイレゾ音源らしい
https://support.digion.com/curiostyle/2017/07/24/hires-free/

今後やりたい

https://iti.hatenablog.jp/entry/2017/05/09/112051
https://qiita.com/saihara-k/items/86ba457523daa02c1869

https://blog.apar.jp/web/9893/
Text-to-Speech API だった