Google 語音轉文字API：AI技術應用的新里程碑！快速搭建屬於你的智慧語音辨識系統

語音識別是一項有趣的任務，現在我們也可以在市場上看到大量的 API。然而，當涉及到語音文件，特別是針對客服中心數據時，這項任務會變得有一點困難。假設一個客服對話大概持續十分鐘，在這種情況下，現在市面上僅有一些少量的 API 可以處理這種類型的數據。（Google、Amazon、IBM、Microsoft、Nuance、Rev.ai、Open source Wavenet、Open source CMU Sphinx）。在這篇文章中，我將會詳細介紹如何從命令行使用 gcloud 工具向 Speech-to-Text 發送語音識別請求，它可支援 125 種語言的語音識別和轉錄服務。

Google 語音轉文字API

根據語音服務的內容不同，谷歌提供了三種類型的 API 可以讓用戶來使用。

同步需求

當需要同步需求服務時，語音文件的內容應該在大約 1 分鐘之內，對於這種類型的需求，用戶不需要把自己的數據上傳到谷歌雲端伺服器。這對用戶提供了很大的便利，因為他們可以把自己的語音文件儲存在本地的電腦或是伺服器上，然後去訪問谷歌的 API 轉錄成文本。而這正是我們在這篇文章終將要詳細介紹的。

異步需求

這類需求涉及的語音文本內容大概是 480 分鐘（8 小時）之內。對於這種請求，用戶需要把他們自己的數據上傳到谷歌雲端伺服器。

流式需求

當用戶直接對著麥克風講話並且需要進行實時轉錄的話，流逝需求是比較適合的。使用這種需求要求劉數據內容應該持續在 5 分鐘之內。

前期準備工作

在開始之前，我們需要去做一些初始化的設定，可根據下方我們所提供的指示完成這次設定。

您必須先完成以下操作，然後才能向 Speech-to-Text API 發送請求。

• 在 GCP 上啟用 Speech-to-Text API
  1. 確保已針對 Speech-to-Text 啟用結算功能
  2. 創建和／或向 Speech-to-Text 分配一個或多個服務帳號
  3. 下載服務帳號憑證密碼鑰

• 設置身份驗證環境變量

• （可選）創建新的 Google Cloud Storage 儲存桶以存取您的語音數據

步驟一： 在 GCP 上啟用 Speech-to-Text API

步驟二：創建一個服務帳號

步驟三：下載服務帳號憑證密碼鑰

步驟四：設置身份驗證環境變量

激活 Cloud Shell

1.創建新的 Node.js 應用目錄：

$mkdir speech-to-text-nodejs

2.將 speech-to-text-nodejs 目錄設置為您的 Cloud Shell 工作區並打開：

$cd speech-to-text-nodejs;cloudshell open-workspace .

上傳密鑰文件至當前 speech-to-text-nodejs 工作目錄：

4. 將密匙設置為默認憑證：

$export GOOGLE_APPLICATION_CREDENTIALS=XXXXXX.json

發出音檔轉錄請求

步驟一、創建包含以下文本 JSON 請求文件，然後將其另存為

sync-speechtotext.json 純文本文件：

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

說明：此 JSON 片段表明，音檔文件具有 FLAC 編碼格式，採樣率為 16000 Hz，以及音頻文件存取在 Google Cloud Storage 中的給定 URI 處。    

步驟二、使用 curl 發出 speech：識別請求：

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

返回請求结果：

{
  "results": [
    {
      "alternatives": [
        {
          "transcript": "how old is the Brooklyn Bridge",
          "confidence": 0.9828748
        }
      ],
      "resultEndTime": "1.770s",
      "languageCode": "en-us"
    }
  ],
  "totalBilledTime": "2s",
  "requestId": "866425412681567144"
}

恭喜！您已向 Speech-to-Text 發送了您的第一个請求！

如果您收到來自 Speech-to-Text 的錯誤或空反應，请查看问题排查和檢錯步骤。

這裡舉辦常見無法通過 Speech-to-Text 的身份驗證而抱錯物訊息 403 代碼，其原因指出您的 “應用默認憑證 ” 不可用：

$ 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-speechtotext.json
{
  "error": {
    "code": 403,
    "message": "Your application has authenticated using end user credentials from the Google Cloud SDK or Google Cloud Shell which are not supported by the speech.googleapis.com. We recommend configuring the billing/quota_project setting in gcloud or using a service account through the auth/impersonate_service_account setting. For more information about service accounts and how to use them in your application, see https://cloud.google.com/docs/authentication/. If you are getting this error with curl or similar tools, you may need to specify 'X-Goog-User-Project' HTTP header for quota and billing purposes. For more information regarding 'X-Goog-User-Project' header, please check https://cloud.google.com/apis/docs/system-parameters.",
    "status": "PERMISSION_DENIED",
    "details": [
      {
        "@type": "type.googleapis.com/google.rpc.ErrorInfo",
        "reason": "SERVICE_DISABLED",
        "domain": "googleapis.com",
        "metadata": {
          "consumer": "projects/618104708054",
          "service": "speech.googleapis.com"
        }
      }
    ]
  }
}

您必須擁有項目的服務帳號，並將服務帳號的密鑰 (JSON 文件）下載到開發環境，然後將該 JSON 文件的位置設置成名為 GOOGLE_APPLICATION_CREDENTIALS 的環境變量。

以下命令可驗證您是否在 GOOGLE_APPLICATION_CREDENTIALS 環境變量中存取有效的服務帳號密鑰 JSON 文件。

$cat $GOOGLE_APPLICATION_CREDENTIALS

若不正確，可將密鑰文件設置為默認憑證：

$export GOOGLE_APPLICATION_CREDENTIALS=XXXXXX.json

谷歌語音轉文本 API 可以處理特定類型的語音編碼

Speech-to-Text API 支持多種不同編碼。下表列出了支持的音檔解碼器：

這意味著如果你的語音文件不在谷歌 API 支持的編碼方式之中的話，你必須要把語音文件轉化為谷歌支持的編碼方式。
如果您在對源素材進行編碼時可以選擇編碼方式，請使用 FLAC 或 LINEAR16 之類的無損編碼，以獲得更好的語音識別效果。如需瞭解為您的任務選擇適當編解碼器的准則，請參閱最佳做法。