谷歌云平台:大型媒体文件的语音到文本转换

Question

我正在尝试从youtube下载的mp4媒体文件中提取文本。由于我正在使用谷歌云平台，所以想尝试一下谷歌云演讲。

在所有的安装和配置之后，我复制了以下代码片段以开始：

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='en-US')   
response = client.long_running_recognize(config, audio)

但我得到了以下关于文件大小的错误：

InvalidArgument:400内联音频超过持续时间限制。请使用GCS URI。

然后我读到我应该对大型媒体文件使用流。因此，我尝试了以下代码片段：

with io.open(file_name, 'rb') as audio_file:
    content = audio_file.read()
#In practice, stream should be a generator yielding chunks of audio data.
stream = [content]
requests = (types.StreamingRecognizeRequest(audio_content=chunk)for chunk in stream)
config = types.RecognitionConfig(encoding=enums.RecognitionConfig.AudioEncoding.LINEAR16,sample_rate_hertz=16000,language_code='en-US')
streaming_config = types.StreamingRecognitionConfig(config=config)
responses = client.streaming_recognize(streaming_config, requests)

但我仍然得到以下错误：

无效参数：400无效音频内容：太长。

所以，有人能建议一种转录mp4文件和提取文本的方法吗。我对非常大的媒体文件没有任何复杂的要求。媒体文件最长可达10-15分钟。感谢

Answer 1

错误消息表示文件太大，您需要首先将媒体文件复制到Google Cloud Storage，然后指定云存储URI，如gs://bucket/path/mediafile。

使用云存储URI的关键是：

识别音频=RecognitionAudio.newBuilder((.setUri(gcsUri(.build((；

以下代码将向您展示如何为输入指定GCS URI。谷歌在github上有一个完整的例子。

  public static void syncRecognizeGcs(String gcsUri) throws Exception {
    // Instantiates a client with GOOGLE_APPLICATION_CREDENTIALS
    try (SpeechClient speech = SpeechClient.create()) {
      // Builds the request for remote FLAC file
      RecognitionConfig config =
          RecognitionConfig.newBuilder()
              .setEncoding(AudioEncoding.FLAC)
              .setLanguageCode("en-US")
              .setSampleRateHertz(16000)
              .build();
      RecognitionAudio audio = RecognitionAudio.newBuilder().setUri(gcsUri).build();
      // Use blocking call for getting audio transcript
      RecognizeResponse response = speech.recognize(config, audio);
      List<SpeechRecognitionResult> results = response.getResultsList();
      for (SpeechRecognitionResult result : results) {
        // There can be several alternative transcripts for a given chunk of speech. Just use the
        // first (most likely) one here.
        SpeechRecognitionAlternative alternative = result.getAlternativesList().get(0);
        System.out.printf("Transcription: %s%n", alternative.getTranscript());
      }
    }
  }