Ta strona została przetłumaczona przez Cloud Translation API.

Używanie interfejsu Speech-to-Text API w języku C#

1. Omówienie

Interfejs Google Cloud Speech-to-Text API umożliwia programistom konwertowanie dźwięku na tekst w 120 językach i wariantach przez zastosowanie zaawansowanych modeli sieci neuronowych w łatwym w użyciu interfejsie API.

W tym ćwiczeniu w Codelabs dowiesz się, jak używać interfejsu Speech-to-Text API w języku C#. Dowiesz się, jak wysłać plik audio w języku angielskim i innych językach do interfejsu Cloud Speech-to-Text API w celu wykonania transkrypcji.

Czego się nauczysz

Jak używać Cloud Shell
Jak włączyć interfejs Speech-to-Text API
Jak uwierzytelniać żądania do interfejsu API
Jak zainstalować bibliotekę klienta Google Cloud dla języka C#
Jak tworzyć transkrypcje plików audio w języku angielskim
Jak tworzyć transkrypcje plików audio z sygnaturami czasowymi słów
Jak tworzyć transkrypcje plików audio w różnych językach

Czego potrzebujesz

Projekt Google Cloud Platform
przeglądarkę, np. Chrome lub Firefox;
Znajomość języka C#

Ankieta

Jak wykorzystasz ten samouczek?

Tylko do przeczytania

Przeczytaj go i wykonaj ćwiczenia

Jak oceniasz swoje doświadczenia z językiem C#?

Początkujący

Poziom średnio zaawansowany

Biegły

Jak oceniasz swoje wrażenia z korzystania z usług Google Cloud Platform?

Początkujący

Poziom średnio zaawansowany

Biegły

2. Konfiguracja i wymagania

Samodzielne konfigurowanie środowiska

Zaloguj się w konsoli Google Cloud i utwórz nowy projekt lub wykorzystaj już istniejący. Jeśli nie masz jeszcze konta Gmail ani Google Workspace, musisz je utworzyć.

Nazwa projektu jest wyświetlaną nazwą uczestników tego projektu. To ciąg znaków, który nie jest używany przez interfejsy API Google. W każdej chwili możesz ją zaktualizować.
Identyfikator projektu jest unikalny we wszystkich projektach Google Cloud i nie można go zmienić (po jego ustawieniu nie można go zmienić). Cloud Console automatycznie wygeneruje unikalny ciąg znaków. zwykle nieważne, co ona jest. W większości ćwiczeń w Codelabs musisz podać swój identyfikator projektu (zwykle identyfikowany jako PROJECT_ID). Jeśli nie podoba Ci się wygenerowany identyfikator, możesz wygenerować kolejny losowy. Możesz też spróbować własnych sił i sprawdzić, czy jest dostępna. Po wykonaniu tej czynności nie można jej już zmienić. Pozostanie ona przez cały czas trwania projektu.
Jest jeszcze trzecia wartość, numer projektu, z którego korzystają niektóre interfejsy API. Więcej informacji o wszystkich 3 wartościach znajdziesz w dokumentacji.

Następnie musisz włączyć płatności w Cloud Console, aby korzystać z zasobów Cloud/interfejsów API. Ukończenie tego ćwiczenia z programowania nic nie kosztuje. Aby wyłączyć zasoby w celu uniknięcia naliczania opłat po zakończeniu tego samouczka, możesz usunąć utworzone zasoby lub projekt. Nowi użytkownicy Google Cloud mogą skorzystać z programu bezpłatnego okresu próbnego o wartości 300 USD.

Uruchamianie Cloud Shell

Google Cloud można obsługiwać zdalnie z laptopa, ale w ramach tego ćwiczenia z programowania wykorzystasz Google Cloud Shell – środowisko wiersza poleceń działające w Cloud.

Aktywowanie Cloud Shell

W konsoli Cloud kliknij Aktywuj Cloud Shell .

Jeśli uruchamiasz Cloud Shell po raz pierwszy, zobaczysz ekran pośredni z opisem tej usługi. Jeśli wyświetlił się ekran pośredni, kliknij Dalej.

Uzyskanie dostępu do Cloud Shell i połączenie się z nim powinno zająć tylko kilka chwil.

Ta maszyna wirtualna ma wszystkie potrzebne narzędzia dla programistów. Zawiera stały katalog domowy o pojemności 5 GB i działa w Google Cloud, co znacznie zwiększa wydajność sieci i uwierzytelnianie. Większość zadań w ramach tego ćwiczenia z programowania można wykonać w przeglądarce.

Po nawiązaniu połączenia z Cloud Shell powinno pojawić się potwierdzenie, że użytkownik jest uwierzytelniony, a projekt jest ustawiony na identyfikator Twojego projektu.

Uruchom to polecenie w Cloud Shell, aby potwierdzić, że jesteś uwierzytelniony:

gcloud auth list

Dane wyjściowe polecenia

 Credentialed Accounts
ACTIVE  ACCOUNT
*       <my_account>@<my_domain.com>

To set the active account, run:
    $ gcloud config set account `ACCOUNT`

Uruchom to polecenie w Cloud Shell, aby sprawdzić, czy polecenie gcloud zna Twój projekt:

gcloud config list project

Dane wyjściowe polecenia

[core]
project = <PROJECT_ID>

Jeśli tak nie jest, możesz go ustawić za pomocą tego polecenia:

gcloud config set project <PROJECT_ID>

Dane wyjściowe polecenia

Updated property [core/project].

3. Włączanie Speech-to-Text API

Zanim zaczniesz korzystać ze Speech-to-Text API, musisz go włączyć. Interfejs API możesz włączyć, używając w Cloud Shell tego polecenia:

gcloud services enable speech.googleapis.com

4. Instalowanie biblioteki klienta interfejsu Google Cloud Speech-to-Text API dla języka C#

Najpierw utwórz prostą aplikację konsoli w C#, której będziesz używać do uruchamiania przykładów interfejsu Speech-to-Text API:

dotnet new console -n SpeechToTextApiDemo

Powinna pojawić się utworzona aplikacja i zamknięte zależności:

The template "Console Application" was created successfully.
Processing post-creation actions...
...
Restore succeeded.

Następnie przejdź do folderu SpeechToTextApiDemo:

cd SpeechToTextApiDemo/

I dodaj do projektu pakiet NuGet Google.Cloud.Speech.V1:

dotnet add package Google.Cloud.Speech.V1

info : Adding PackageReference for package 'Google.Cloud.Speech.V1' into project '/home/atameldev/SpeechToTextApiDemo/SpeechToTextApiDemo.csproj'.
log  : Restoring packages for /home/atameldev/SpeechToTextApiDemo/SpeechToTextApiDemo.csproj...
...
info : PackageReference for package 'Google.Cloud.Speech.V1' version '1.0.1' added to file '/home/atameldev/SpeechToTextApiDemo/SpeechToTextApiDemo.csproj'.

Teraz możesz zacząć korzystać ze Speech-to-Text API.

5. Transkrybuj pliki audio

W tej sekcji utworzysz transkrypcję nagranego wcześniej pliku audio w języku angielskim. Plik audio jest dostępny w Google Cloud Storage.

Aby utworzyć transkrypcję pliku audio, otwórz edytor kodu w prawym górnym rogu Cloud Shell:

Przejdź do pliku Program.cs znajdującego się w folderze SpeechToTextApiDemo i zastąp kod poniższym kodem:

using Google.Cloud.Speech.V1;
using System;

namespace SpeechToTextApiDemo
{
    public class Program
    {
        public static void Main(string[] args)
        {
            var speech = SpeechClient.Create();
            var config = new RecognitionConfig
            {
                Encoding = RecognitionConfig.Types.AudioEncoding.Flac,
                SampleRateHertz = 16000,
                LanguageCode = LanguageCodes.English.UnitedStates
            };
            var audio = RecognitionAudio.FromStorageUri("gs://cloud-samples-tests/speech/brooklyn.flac");         
            
            var response = speech.Recognize(config, audio);

            foreach (var result in response.Results)
            {
                foreach (var alternative in result.Alternatives)
                {
                    Console.WriteLine(alternative.Transcript);
                }
            }
        }
    }
}

Poświęć kilka minut na zapoznanie się z kodem i sprawdź, czy jest on używany do transkrypcji pliku audio*.*

Parametr Encoding informuje interfejs API, jakiego typu kodowania dźwięku używasz w przypadku pliku audio. Flac to typ kodowania dla plików RAW (więcej informacji znajdziesz w dokumentacji).

W obiekcie RecognitionAudio możesz przekazać interfejs API albo identyfikator URI pliku audio w Cloud Storage, albo lokalną ścieżkę pliku audio. Tutaj używamy identyfikatora URI Cloud Storage.

Z powrotem w Cloud Shell uruchom aplikację:

dotnet run

Powinny się wyświetlić te dane wyjściowe:

how old is the Brooklyn Bridge

Podsumowanie

W tym kroku udało Ci się utworzyć transkrypcję pliku audio w języku angielskim i wydrukować wynik. Więcej informacji o transkrybowaniu.

6. Transkrybuj z sygnaturami czasowymi słów

Funkcja Speech-to-Text może wykryć przesunięcie czasu (sygnaturę czasową) w transkrybowanych treściach audio. Przesunięcia czasu pokazują początek i koniec każdego wypowiedzianego słowa w dostarczonym dźwięku. Wartość przesunięcia czasu reprezentuje czas, który upłynął od rozpoczęcia odtwarzania dźwięku, w przyrostach co 100 ms.

Aby utworzyć transkrypcję pliku audio z przesunięciem czasu, przejdź do pliku Program.cs w folderze SpeechToTextApiDemo i zastąp go tym kodem:

using Google.Cloud.Speech.V1;
using System;

namespace SpeechToTextApiDemo
{
    public class Program
    {
        public static void Main(string[] args)
        {
            var speech = SpeechClient.Create();
            var config = new RecognitionConfig
            {
                Encoding = RecognitionConfig.Types.AudioEncoding.Flac,
                SampleRateHertz = 16000,
                LanguageCode = LanguageCodes.English.UnitedStates,
                EnableWordTimeOffsets = true
            };
            var audio = RecognitionAudio.FromStorageUri("gs://cloud-samples-tests/speech/brooklyn.flac");
     
            var response = speech.Recognize(config, audio);

            foreach (var result in response.Results)
            {
                foreach (var alternative in result.Alternatives)
                {
                    Console.WriteLine($"Transcript: { alternative.Transcript}");
                    Console.WriteLine("Word details:");
                    Console.WriteLine($" Word count:{alternative.Words.Count}");
                    foreach (var item in alternative.Words)
                    {
                        Console.WriteLine($"  {item.Word}");
                        Console.WriteLine($"    WordStartTime: {item.StartTime}");
                        Console.WriteLine($"    WordEndTime: {item.EndTime}");
                    }
                }
            }
        }
    }
}

Poświęć kilka minut na zapoznanie się z kodem i sprawdź, czy służy on do tworzenia transkrypcji pliku audio z sygnaturami czasowymi słów*.* Parametr EnableWordTimeOffsets informuje interfejs API, że ma włączyć przesunięcia czasu (więcej informacji znajdziesz w dokumencie).

Z powrotem w Cloud Shell uruchom aplikację:

dotnet run

Powinny się wyświetlić te dane wyjściowe:

dotnet run

Transcript: how old is the Brooklyn Bridge
Word details:
 Word count:6
  how
    WordStartTime: "0s"
    WordEndTime: "0.300s"
  old
    WordStartTime: "0.300s"
    WordEndTime: "0.600s"
  is
    WordStartTime: "0.600s"
    WordEndTime: "0.800s"
  the
    WordStartTime: "0.800s"
    WordEndTime: "0.900s"
  Brooklyn
    WordStartTime: "0.900s"
    WordEndTime: "1.100s"
  Bridge
    WordStartTime: "1.100s"
    WordEndTime: "1.500s"

Podsumowanie

W tym kroku udało Ci się utworzyć transkrypcję pliku audio w języku angielskim z sygnaturami czasowymi słów i wydrukować wynik. Dowiedz się więcej o transkrypcji z uwzględnieniem przesunięcia słów.

7. Transkrybuj różne języki

Interfejs Speech-to-Text API obsługuje transkrypcję w ponad 100 językach. Listę obsługiwanych języków znajdziesz tutaj.

W tej sekcji utworzysz transkrypcję nagranego wcześniej pliku audio w języku francuskim. Plik audio jest dostępny w Google Cloud Storage.

Aby utworzyć transkrypcję pliku audio w języku francuskim, przejdź do pliku Program.cs w folderze SpeechToTextApiDemo i zastąp go tym kodem:

using Google.Cloud.Speech.V1;
using System;

namespace SpeechToTextApiDemo
{
    public class Program
    {
        public static void Main(string[] args)
        {
            var speech = SpeechClient.Create();
            var config = new RecognitionConfig
            {
                Encoding = RecognitionConfig.Types.AudioEncoding.Flac,
                LanguageCode = LanguageCodes.French.France
            };
            var audio = RecognitionAudio.FromStorageUri("gs://cloud-samples-data/speech/corbeau_renard.flac");

            var response = speech.Recognize(config, audio);

            foreach (var result in response.Results)
            {
                foreach (var alternative in result.Alternatives)
                {
                    Console.WriteLine(alternative.Transcript);
                }
            }
        }
    }
}

Poświęć kilka minut na zapoznanie się z kodem i sprawdź, jak jest używany do transkrypcji plików audio*.* Parametr LanguageCode informuje interfejs API, w jakim języku jest nagranie dźwiękowe.

Z powrotem w Cloud Shell uruchom aplikację:

dotnet run

Powinny się wyświetlić te dane wyjściowe:

maître corbeau sur un arbre perché tenait en son bec un fromage

To zdanie z popularnej francuskiej baśni dla dzieci.

Podsumowanie

W tym kroku udało Ci się utworzyć transkrypcję pliku audio w języku francuskim i wydrukować wynik. Dowiedz się więcej o obsługiwanych językach.

8. Gratulacje!

Wiesz już, jak używać interfejsu Speech-to-Text API w języku C# do tworzenia różnych transkrypcji plików audio.

Czyszczenie danych

Oto kroki, które musisz wykonać, aby uniknąć obciążenia konta Google Cloud Platform opłatami za zasoby zużyte podczas krótkiego wprowadzenia:

Otwórz konsolę Cloud Platform.
Wybierz projekt, który chcesz wyłączyć, i kliknij „Usuń”. u góry: spowoduje to zaplanowanie usunięcia projektu.

Więcej informacji

Interfejs Google Cloud Speech-to-Text API: https://cloud.google.com/speech-to-text/docs
C#/.NET w Google Cloud Platform: https://cloud.google.com/dotnet/
Klient Google Cloud .NET: https://googlecloudplatform.github.io/google-cloud-dotnet/

Licencja

To zadanie jest licencjonowane na podstawie ogólnej licencji Creative Commons Attribution 2.0.