Google Cloud Speech APIを使って音声ファイルから文字起こし

Google音声入力APIを使ってDialogflowでの口語会話の実現を目指します

1. Google音声認識APIを試してみる

• CLOUD SPEECH APIでサインアップして、音声認識を試してみます

• 試してみて、使えそうであれば、次はプログラムからこの機能を呼び出し（API)て使用してみます。次項へどうぞ。

2. Google Cloud Speech APIを使用可能にします

-Google Cloud Speech クイックスタートなどを参照し、Google Cloud PlatformコンソールでCloud Speech APIを使用するプロジェクトを用意し、Cloud Speech APIを有効化します

3. Google Cloud Speech APIの認証

• [Google Cloud Speech API に対する認証]（https://cloud.google.com/speech/docs/auth?authuser=1&hl=ja）の「サービスアカウントの使用」を参照し、Google Cloud Platformコンソールで前項で準備したプロジェクトが選択されていることを確認し、画面左上の三本線から「APIとサービス」を選択します

• 「APIとサービス」画面で「認証情報」を選択します
• 「認証情報」の画面で「サービスアカウントキー」を作成します

• 「サービスアカウントキーの作成」画面で、サービスアカウントを選択もしくは新規作成し、「JSON」形式でキーファイルを生成し、ダウンロードします。プロジェクト名-xxxxx.jsonファイルがダウンロードされます

4. サンプルアプリを用意します

• Google Cloud Speech API - ドキュメント サンプル・アプリケーション のPython 非ストリーミングおよびストリーミング音声認識サンプル - GoogleCloudPlatform/python-docs-samples を参照し、GoogleCloudPlatform/python-docs-samplesのページからサンプルプログラムを含むzipファイルをダウンロード（緑色のボタン）もしくはgit cloneします。
• このデモで使用するのはGoogleCloudPlatform/ python-docs-samples/speech/cloud-client/transcribe.py です

5. 実行環境を準備します

• 下記のコマンドで環境変数として前々項でダウンロードしたjsonファイルを指定して認証情報を設定します

export GOOGLE_APPLICATION_CREDENTIALS=XXXXX-XXXXXXXXXXXX.json

• ターミナルを開き、上記のファイルをダウンロード／解凍したフォルダへ移動し、

pip install -r requirements.txt

で必要な道具をインストールします

• 下記のコマンドを実行し、サンプルファイル（audio.raw)に含まれる言葉を文字にしてみます

cd python-docs-samples-master/speech/cloud-client
python transcribe.py resources/audio.raw 

下記の結果が得られることを確認します。

Transcript: how old is the Brooklyn Bridge

6. 日本語で録音した音声ファイルを用意します

• 末尾の参考情報2. WAVでの録音 - mattdiamond/Recorderjs または3. FLACでの録音 - mmig/speech-to-flacを参照して日本語で録音した音声ファイルを用意します

7. 日本語用プログラムを用意し、実行してみます

• 上記のtranscribe.pyをコピーして日本語用のプログラムを用意します

cp transcribe.py transcribe_jp.py

• 上記のプログラムをatomなどで開き、下記の箇所を編集します

transcribe_jp.py

def transcribe_file(speech_file):
:
    config = types.RecognitionConfig(
        encoding=enums.RecognitionConfig.AudioEncoding.FLAC,
        sample_rate_hertz=44100,
        language_code='ja-JP')

• RecognitionConfig.AudioEncodingは音声ファイルが　FLACであればFLAC、WAVファイルであればLINEAR16に設定します
• sample_rate_hertzは録音した際の録音レート（周波数）に設定します

• language_codeはja-JPに設定します（日本語であれば。）　サポートされている言語はGoogle Cloud Speech API - 言語のサポートで確認できます

• 実行してみます

python transcribe_jp.py resources/myaudio.flac 

うまくいきました。

Transcript: こんにちは

8. 音声で入力した文字列をデータベースに格納する

• 音声情報が取得できたら、Google音声認識APIを使って文字列への変換を試みます。Google音声認識APIはPOST https://speech.googleapis.com/v1/speech:recognize?key=YOUR_API_KEYの形式で送付します
• Node-REDからのAPI呼び出しはNode-RED - API呼び出ししてみる（ぐるなび）Node-RED - API呼び出ししてみる（Zoho）などが参考になります

9． Dialogflowと連携します

• Dialogflowでチャットボットをつくってみるなどを参照してDialogflowのフローを用意します
• APIを確認します
• API呼び出しで前項で入手した日本語文字列をDialogflowへ渡します
• 返却されるchatの答えをGoogle HomeやPepperなどで喋らせてみます

参考情報

1. Google Cloud Speech API ドキュメント
2. WAVでの録音 - mattdiamond/Recorderjs
3. FLACでの録音 - mmig/speech-to-flac