[Google API] 如何處理超過一分鐘語音檔 | Speech to Text API Headle Over 1min File

Posted on |

[Google API] 如何處理超過一分鐘語音檔 | Speech to Text API Headle Over 1min File

Status: Completed

▌目的

  1. 一般使用Speech-to-Text API，如果遇到超過一分鐘檔案，如果遇到以下的錯誤訊息
    Quota exceeded for quota metric ‘Requests’ and limit ‘Requests per minute，因為你使用到的是Transcribing short audio files
  2. 在選單中Transcribing long audio 可以協助你解決I longrunningrecognize檔案的處
  3. 完整的Endpoint https://speech.googleapis.com/v1/speech:longrunningrecognize

▌1. 語音轉換文字 API | Cloud Speech-to-Text API

1. 建立可以授信的 API key

  • 建立一個憑證Credentials，一般信認的三式有種API Key、OAuth、Service Account
  • 本次使用的API Key

Untitled.png

  • 獲取Token Key

    Untitled1.png

  • 完整Token 資訊

    • 限制
      你的Token，可以只針對某些特定的application、HTTP、IP作使用

      Untitled2.png

  • 為了待會使用curl，需要做驗證
    可以先將token設成一個變數，如此作法也較安全
    不會因為明碼直接外洩

    Untitled3.png

2. 語音檔準備

  • 首先找一個超過1分鐘的語音檔案
  • 先存放在Cloud Storage裡面滿並且將權限打開

Untitled4.png

Untitled5.png

2. cURL: 呼叫 Speech API

curl 參數說明

  • -s : –silent 安靜模式，不要顯示任何progress在console，即使有err也是
  • -X POST: -X –request
    • 一般搭配 [GET|POST|PUT|DELETE|PATCH]
      使用指定的 http method 來發出 http request
  • -H : 設定 request 裡所攜帶的 header
  • —data-binary: 攜帶 HTTP POST Data
  • -audioChannelCount: 2 聲音檔是雙聲道來源
  • encoding 也就是語音的格式：flac是一種語音格式檔
  • languageCode 語言：en-us(預式都是英文)，我把它調整為zh-TW
  • @request.json: 用來夾檔
  • ?key=${API_KEY}: 用來餵token
  • > result.json: 內容輸出到指定檔案
1
curl -X POST \
2
     -H "Content-Type: application/json; charset=utf-8" \
3
     --data "{
4
  'config': {
5
    'encoding':'FLAC',
6
    'audioChannelCount': '2',
7
    'languageCode': 'zh-TW'
8
  },
9
  'audio':{
10
    'uri':'gs://xxx-voices/0409-xxxx-458.flac'
11
  }
12
}" "https://speech.googleapis.com/v1/speech:longrunningrecognize?key=${API_KEY}"

3. 輸出結果

curl -X POST

  • 因為較長的語音檔處理需要一點時間，所以會給你一組ID
  • 透過curl [2]方式取回轉換的文字檔
1
curl -X POST \
2
     -H "Content-Type: application/json; charset=utf-8" \
3
     --data "{
4
  'config': {
5
    'encoding':'FLAC',
6
      'audioChannelCount': '2',
7
      'languageCode': 'zh-TW'
8
  },
9
  'audio':{
10
    'uri':'gs://xxx-voices/0409-xxxx-458.flac'
11
  }
12
}" "https://speech.googleapis.com/v1/speech:longrunningrecognize?key=${API_KEY}" > result1.json
13
  % Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
14
                                 Dload  Upload   Total   Spent    Left  Speed
15
100   206    0    36  100   170     25    119  0:00:01  0:00:01 --:--:--   144
  • 產出的name ID取回text: 1947xxxxxxxxx006
1
# joe.huang @ joehuangs-MacBook-Pro in ~ on git:master x [23:59:15]
2
$ cat result1.json
3
{
4
  "name": "1947xxxxxxxxx006"
5
}

Untitled6.png

curl -H

  • 使用產出的name ID取回text
  • 成功將七分鐘的flac語音轉換成text文字，API會自動分段文字
  • 當然後續還是有很多優化的工作要做
1
# joe.huang @ joehuangs-MacBook-Pro in ~ on git:master x [0:12:24]
2
$ curl -H "Content-Type: application/json; charset=utf-8" \
3
     "https://speech.googleapis.com/v1/operations/1947xxxxxxxxxx006?key=${API_KEY}"

Untitled7.png

Untitled8.png

▌參考

  1. CURL
    https://blog.techbridge.cc/2019/02/01/linux-curl-command-tutorial/
  2. Transcribing long audio files