在Python中使用谷歌Cloud Speech API将语音转换为文字

Keif

对博客平台有些失望,转语雀只当留档用了。

之前我们总结了使用谷歌Cloud Speech API将语音转换为文字的基本流程,然而那只是在命令行中使用curl实现的。这次我们将总结在Python中使用Cloud Speech API的方法。

配置Python开发环境

笔者使用的是树莓派(Debian)进行试验的,其他平台的配置方法可以在这里查找。

安装Python

大多数Linux发行版都包含Python。对于Debian和Ubuntu,运行以下指令确保Python版本是最新的:

sudo apt update
sudo apt install python python-dev python3 python3-dev python-pip python3-pip

安装和使用virtualenv

尽管这一步不是必须的,但强烈建议你使用virtualenv。virtualenv是一种创建独立Python环境的工具,可以将每个项目的依赖关系隔离开来。在虚拟环境下,你可以不必顾虑python2和python3的冲突;另外一个优势是可以直接将你的项目文件夹复制到其他机器上,文件夹内就包含了项目所依赖的软件包。

sudo apt install python-virtualenv

安装完成后,就可以在你的项目文件夹中创建一个虚拟环境。

cd 项目文件夹
virtualenv --python python3 env

使用 --python 标志来告诉virtualenv要使用哪个Python版本,这次试验将全程以python3环境进行。执行后会在 项目文件夹 内创建一个 env 文件夹。

创建完成后,你需要“激活”virtualenv。激活virtualenv会告诉你的shell为Python使用virtualenv的路径。

source env/bin/activate

看到激活虚拟环境后,你就可以放心地安装软件包,并确信它们不会影响其他项目。

如果你想停止使用virtualenv并返回到全局Python环境,你可以关闭它:

deactivate

配置Cloud Speech API客户端库

我们假定你已经有合适的代理,能够使用谷歌服务,并且已经开始使用Google云平台。如果你有疑问,或许可以参考这篇文章

安装客户端库

如果你安装了virtualenv,请确保激活了虚拟环境。

pip install --upgrade google-cloud-speech

值得一提的是,笔者使用的树莓派在安装进行到 Running setup.py bdist_wheel for grpcio ... 时停留了非常久(10分钟以上),这属于正常现象,树莓派编译进行得很慢,需要耐心等待。

设置验证

登录谷歌云平台控制台,前往创建服务账号密钥界面。

服务帐户 下拉列表中选择 新建服务帐户 。输入合适的 服务帐号名称角色 选择 Project所有者密钥类型 选择 JSON

点击 创建 后,会开始下载包含密钥的JSON文件,请妥善保存

最后,将环境变量 GOOGLE_APPLICATION_CREDENTIALS 设置为含密钥的JSON文件的文件路径,例如:

export GOOGLE_APPLICATION_CREDENTIALS="/home/pi/speech/speech-account.json"

请将 /home/pi/speech/speech-account.json 替换为你的json文件路径。

当然,直接输入上述命令设置的环境变量是临时的。一个比较实用的方法是在 ~/.bashrc 文件中设置环境,之后就不需要再手动设置了。

sudo nano ~/.bashrc

在文件末尾插入上述 export 命令,保存。

使用客户端库

下例给出了使用客户端库的方法。

import io
import os

# Imports the Google Cloud client library
from google.cloud import speech
from google.cloud.speech import enums
from google.cloud.speech import types

# Instantiates a client
client = speech.SpeechClient()

# The name of the audio file to transcribe
file_name = os.path.join(
    os.path.dirname(__file__),
    'voice.wav')

# Loads the audio into memory
with io.open(file_name, 'rb') as audio_file:
    content = audio_file.read()
    audio = types.RecognitionAudio(content=content)

config = types.RecognitionConfig(
    encoding=enums.RecognitionConfig.AudioEncoding.LINEAR16,
    sample_rate_hertz=16000,
    language_code='cmn-Hans-CN')

# Detects speech in the audio file
response = client.recognize(config, audio)

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

几点说明:

file_name 给出了声音文件的路径。其中 os.path.dirname(__file__) 表示py代码所在文件夹的路径。故上例中声音文件是py代码相同目录下的 voice.wav

config 给出了声音文件的编码信息,Cloud Speech API并不支持任意格式的声音文件,详细要求参见:AudioEncoding | Google Cloud Speech API

language_code='cmn-Hans-CN' 表示识别语言为中文普通话。常用的还有American English (en-US)、British English (en-GB)、日本語(ja-JP)、廣東話(yue-Hant-HK)。更多语言支持可以在Language Support | Google Cloud Speech API查询。

运行结果:

"Confidence"是置信度,越接近1准确性越高。

小结

至此,Cloud Speech API的使用总结就告一段落了,希望能对你有所帮助。这篇总结是参照着Google Cloud Speech API文档写下的,如果有何纰漏恳请指出。

感谢你阅读文章!

阅读 13.4k

学习笔记
与你分享学习过程中的收获。

这里是个人简介。

129 声望
43 粉丝
0 条评论

这里是个人简介。

129 声望
43 粉丝
文章目录
宣传栏