安裝與設(shè)置

要開(kāi)始使用Google Speech-to-Text API，首先需要在Python環(huán)境中安裝google-cloud-speech包，并在Google Cloud項(xiàng)目中啟用Speech-to-Text API。

%pip install --upgrade --quiet google-cloud-speech

按照Google Cloud快速入門(mén)指南創(chuàng)建項(xiàng)目并啟用API。

使用Google Speech-to-Text API

基本使用方法

使用Google Speech-to-Text API前，需要準(zhǔn)備project_id和file_path。音頻文件可以是Google Cloud Storage的URI或本地文件路徑。

from google.cloud import speech
from google.cloud.speech import enums
from google.cloud.speech import types

client = speech.SpeechClient()

file_path = 'gs://cloud-samples-data/speech/brooklyn_bridge.raw'
audio = types.RecognitionAudio(uri=file_path)
config = types.RecognitionConfig(
    encoding=enums.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=16000,
    language_code='en-US',
)

response = client.recognize(config=config, audio=audio)

for result in response.results:
    print('Transcript: {}'.format(result.alternatives[0].transcript))

進(jìn)階配置

可以通過(guò)config參數(shù)自定義識(shí)別配置，如選擇不同的語(yǔ)音識(shí)別模型和功能。

自定義識(shí)別配置

config = types.RecognitionConfig(
    encoding=enums.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=16000,
    language_code='en-US',
    enable_automatic_punctuation=True,
)

常見(jiàn)問(wèn)題與解決方案

網(wǎng)絡(luò)訪(fǎng)問(wèn)問(wèn)題

在某些地區(qū)訪(fǎng)問(wèn)Google API可能會(huì)不穩(wěn)定，推薦使用API代理服務(wù)提高訪(fǎng)問(wèn)穩(wěn)定性。例如，可以使用API代理服務(wù)。

音頻文件過(guò)長(zhǎng)

Google Speech-to-Text API對(duì)單個(gè)音頻文件的長(zhǎng)度有限制（60秒或10MB）。對(duì)于更長(zhǎng)的音頻文件，可以將其分割成多個(gè)小文件進(jìn)行處理。

語(yǔ)言支持問(wèn)題

確保config中的language_code與音頻文件中的語(yǔ)言一致，以獲得最佳的識(shí)別效果。

實(shí)踐案例分析

語(yǔ)音文件轉(zhuǎn)文本Python示例

以下是一個(gè)使用Python將語(yǔ)音文件轉(zhuǎn)換為文本的完整示例。

from google.cloud import speech
client = speech.SpeechClient()

gcs_uri = 'gs://cloud-samples-data/speech/brooklyn_bridge.raw'
audio = speech.RecognitionAudio(uri=gcs_uri)
config = speech.RecognitionConfig(
    encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=16000,
    language_code='en-US',
)

response = client.recognize(config=config, audio=audio)
for result in response.results:
    print('Transcript: {}'.format(result.alternatives[0].transcript))

麥克風(fēng)語(yǔ)音轉(zhuǎn)文本Python示例

以下示例展示了如何使用麥克風(fēng)實(shí)時(shí)捕捉語(yǔ)音并轉(zhuǎn)換為文本。

import os
from google.cloud import speech
from google.cloud.speech import enums
from google.cloud.speech import types
import pyaudio
from six.moves import queue

os.environ['GOOGLE_APPLICATION_CREDENTIALS'] = 'your-path-to-credentials.json'

RATE = 16000
CHUNK = int(RATE / 10)

class MicrophoneStream(object):
    def __init__(self, rate, chunk):
        self._rate = rate
        self._chunk = chunk
        self._buff = queue.Queue()
        self.closed = True

    def __enter__(self):
        self._audio_interface = pyaudio.PyAudio()
        self._audio_stream = self._audio_interface.open(
            format=pyaudio.paInt16,
            channels=1,
            rate=self._rate,
            input=True,
            frames_per_buffer=self._chunk,
            stream_callback=self._fill_buffer,
        )

        self.closed = False
        return self

    def __exit__(self, type, value, traceback):
        self._audio_stream.stop_stream()
        self._audio_stream.close()
        self.closed = True
        self._buff.put(None)
        self._audio_interface.terminate()

    def _fill_buffer(self, in_data, frame_count, time_info, status_flags):
        self._buff.put(in_data)
        return None, pyaudio.paContinue

    def generator(self):
        while not self.closed:
            chunk = self._buff.get()
            if chunk is None:
                return
            data = [chunk]
            try:
                while True:
                    chunk = self._buff.get(block=False)
                    if chunk is None:
                        return
                    data.append(chunk)
            except queue.Empty:
                break
            yield b''.join(data)

def listen_print_loop(responses):
    num_chars_printed = 0
    for response in responses:
        if not response.results:
            continue
        result = response.results[0]
        if not result.alternatives:
            continue
        transcript = result.alternatives[0].transcript
        overwrite_chars = ' ' * (num_chars_printed - len(transcript))
        if not result.is_final:
            sys.stdout.write(transcript + overwrite_chars + 'r')
            sys.stdout.flush()
            num_chars_printed = len(transcript)
        else:
            print(transcript + overwrite_chars)
            if re.search(r'b(exit|quit)b', transcript, re.I):
                print('Exiting..')
                break
            num_chars_printed = 0

def main():
    language_code = 'zh'
    client = speech.SpeechClient()
    config = speech.RecognitionConfig(
        encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
        sample_rate_hertz=RATE,
        language_code=language_code,
    )
    streaming_config = speech.StreamingRecognitionConfig(
        config=config, interim_results=True
    )

    with MicrophoneStream(RATE, CHUNK) as stream:
        audio_generator = stream.generator()
        requests = (
            speech.StreamingRecognizeRequest(audio_content=content)
            for content in audio_generator
        )

        responses = client.streaming_recognize(streaming_config, requests)

        listen_print_loop(responses)

if __name__ == '__main__':
    main()

FAQ

1. 問(wèn)：Google語(yǔ)音識(shí)別API支持哪些語(yǔ)言？

2. 問(wèn)：音頻文件有大小限制嗎？

3. 問(wèn)：如何提高識(shí)別準(zhǔn)確率？

總結(jié)

本文詳細(xì)介紹了Google語(yǔ)音識(shí)別技術(shù)的原理、應(yīng)用場(chǎng)景、安裝設(shè)置、使用方法以及常見(jiàn)問(wèn)題的解決方案。通過(guò)實(shí)際代碼示例，展示了如何使用Google Speech-to-Text API將音頻文件轉(zhuǎn)換為文本。希望本文能幫助您快速上手Google語(yǔ)音識(shí)別技術(shù)，并在實(shí)際項(xiàng)目中得到應(yīng)用。

Google語(yǔ)音識(shí)別技術(shù)以其準(zhǔn)確性和易用性，為開(kāi)發(fā)者提供了強(qiáng)大的工具，推動(dòng)了智能語(yǔ)音處理技術(shù)的發(fā)展。通過(guò)不斷學(xué)習(xí)和實(shí)踐，我們可以更好地利用這項(xiàng)技術(shù)，創(chuàng)造更多價(jià)值。

如果您對(duì)Google語(yǔ)音識(shí)別技術(shù)有更多的問(wèn)題或想法，歡迎在評(píng)論區(qū)交流討論。

上一篇：

Gemini AI模型在中國(guó)的應(yīng)用與實(shí)踐指南

下一篇：

Transformer中的編碼器與解碼器詳解
#你可能也喜歡這些API文章!

我們有何不同？

API服務(wù)商零注冊(cè)

多API并行試用

數(shù)據(jù)驅(qū)動(dòng)選型，提升決策效率

查看全部API→
??

熱門(mén)場(chǎng)景實(shí)測(cè)，選對(duì)API

#AI文本生成大模型API

對(duì)比大模型API的內(nèi)容創(chuàng)意新穎性、情感共鳴力、商業(yè)轉(zhuǎn)化潛力

25個(gè)渠道
一鍵對(duì)比試用API 限時(shí)免費(fèi)

#AI深度推理大模型API

對(duì)比大模型API的邏輯推理準(zhǔn)確性、分析深度、可視化建議合理性

10個(gè)渠道
一鍵對(duì)比試用API 限時(shí)免費(fèi)