音声のテキスト化を試してみたい

例えばこんなAPIがある

Google Cloud Speech-to-Text
Watson Speech to Text
Bing Speech API
Amazon Transcribe
NTT SpeechRec
AmiVoice

...etc

今回はこの中では割と簡単かつ制度がいいらしいということで、Google Cloud Speech-to-Textを試すこととする。

Google Cloud Speech-to-Textについて

特徴

Google Cloud Platformで提供されているAPI
一月 60分の解析は無料。15秒ごとに$0.006
対応言語は120種類
音声ファイルの他にもストリーミング音声も対応している。

こちら本家のリンク

実行方法の種類

基本的な実行方法は大きく分けて３種類

短い音声（１分未満）の解析に向いている「同期音声認識」
長い音声の解析に向いている「非同期音声認識」
リアルタイムな解析が可能な「ストリーミング音声認識」

今回は「同期音声認識」と「非同期音声認識」を試す。

まずはクイックスタート

こちら本家のクイックスタート

コマンドラインで実行してみる。
実際に実行するまでには以下の手順も必要だったが、本題からそれるためここでは省略する。

Google Cloud Platformの登録
GCPのプロジェクト作成
認証情報の作成
gcloudのインストール

上記の準備完了後に以下を実施

1.次のテキストを含む JSON リクエストファイルを作成し、sync-request.json 書式なしテキストファイルとして保存します。

sync-request.json

   {
      "config": {
          "encoding":"FLAC",
          "sampleRateHertz": 16000,
          "languageCode": "en-US",
          "enableWordTimeOffsets": false
      },
      "audio": {
          "uri":"gs://cloud-samples-tests/speech/brooklyn.flac"
      }
    }

引用元

GCPの認証を通すためGOOGLE_APPLICATION_CREDENTIALS環境変数に認証情報ファイルのパスを指定

2.curl を使用して speech:recognize リクエストを作成し、ステップ 1 で設定した JSON リクエストのファイル名を渡します。

curl -s -H "Content-Type: application/json" \
    -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
    https://speech.googleapis.com/v1/speech:recognize \
    -d @sync-request.json

> [引用元](https://cloud.google.com/speech-to-text/docs/quickstart-protocol?hl=ja)

こちらは実際の実行結果

{
"results": [
{
"alternatives": [
{
"transcript": "how old is the Brooklyn Bridge",
"confidence": 0.98314303
}
]
}
]
}


`transcript`が変換された文章
`confidence`はどれくらいの制度で変換されたかが0.0〜1.0で表される。ただし当てにはならない。

---

# 自分で用意したファイルで「同期音声認識」を試す
フリー素材サイトからセリフが入っている音声を適当に拾ってきてflacに変換
音声データをCloud Storageにアップする

音声データの指定方法はCloud Storageにアップするか、Base64に変換してテキストで直接指定することもできる。


今回は日本語をテキスト化するため、`languageCode`に`ja-JP`を指定する。
FLACかWAVファイルなら、`encoding`、`sampleRateHertz`は指定しなくても良い。
`uri`にはCloud StorageにアップしたファイルのURIを指定。

```sync-request.json
{
  "config": {
    "languageCode": "ja-JP"
  },
  "audio": {
    "uri":"gs://xxxxx/xxxx.flac"
  }
}

「非同期音声認識」を試す

実行方法は同期音声認識とほぼ一緒
呼び出すメソッド名がspeech:longrunningrecognizeとなる。

ただし、非同期なので結果の取得方法が異なる。

実行

    curl -s -H "Content-Type: application/json" \
        -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
        https://speech.googleapis.com/v1/speech:longrunningrecognize \
        -d @sync-request.json

実行すると次のような結果が得られる

{
  "name": "7220377802738537728"
}

your-operation-nameは先程取得したnameに置き換えて下のコマンドを実行する。

curl -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
-H "Content-Type: application/json; charset=utf-8" \
"https://speech.googleapis.com/v1/operations/your-operation-name"