搭配 Node.js 使用 Speech-to-Text API

1. 總覽

Google Cloud Speech-to-Text API 提供強大的類神經網路模型，方便開發人員輕鬆將音訊轉換成文字，支援超過 120 種語言和方言。

在本程式碼研究室中，您將著重於使用 Node.js 搭配 Speech-to-Text API。您將瞭解如何將英文和其他語言的音訊檔案傳送至 Cloud Speech-to-Text API 進行語音轉錄。

課程內容

• 如何啟用 Speech-to-Text API
• 如何驗證 API 要求
• 如何安裝 Node.js 適用的 Google Cloud 用戶端程式庫
• 如何轉錄英文音訊檔案
• 如何轉錄音訊檔案並取得字詞時間戳記
• 如何轉錄不同語言的音訊檔案

軟硬體需求

• Google Cloud Platform 專案
• Chrome 或 Firefox 瀏覽器
• 熟悉 Javascript/Node.js 的使用方式

問卷調查

您會如何使用本教學課程？

僅閱讀 閱讀並完成練習

您對 Node.js 的體驗滿意嗎？

新手 中級 熟練

您對使用 Google Cloud Platform 服務的體驗有何評價？

新手 中級 熟練

2. 設定和需求

自修實驗室環境設定

1. 登入 Cloud 控制台，建立新專案或重複使用現有專案。(如果沒有 Gmail 或 G Suite 帳戶，請先建立帳戶)。

注意：記住以下網址，即可輕鬆存取 Cloud 控制台：console.cloud.google.com。

請記住專案 ID，這是所有 Google Cloud 專案中不重複的名稱 (上述名稱已遭占用，因此不適用於您，抱歉！)。本程式碼研究室稍後會將其稱為 PROJECT_ID。

注意：如果您使用 Gmail 帳戶，可以將預設位置設為「沒有機構」。如果您使用 G Suite 帳戶，請選擇適合貴機構的位置。

2. 接著，您必須在 Cloud 控制台中啟用帳單，才能使用 Google Cloud 資源。

完成本程式碼研究室的費用應該不高，甚至完全免費。請務必按照「清除」部分的指示操作，瞭解如何停用資源，避免在本教學課程結束後繼續產生帳單費用。Google Cloud 新使用者可參加價值$300 美元的免費試用計畫。

啟動 Cloud Shell

雖然可以透過筆電遠端操作 Google Cloud，但在本程式碼研究室中，您將使用 Google Cloud Shell，這是可在雲端執行的指令列環境。

啟用 Cloud Shell

1. 在 Cloud 控制台，點選「啟用 Cloud Shell」 圖示 。

如果您是首次啟動 Cloud Shell，系統會顯示中繼畫面 (摺疊式螢幕下方)，說明這個指令列環境。點選「繼續」後，這則訊息日後就不會再出現。以下是這個初次畫面的樣子：

佈建並連至 Cloud Shell 預計只需要幾分鐘。

這部虛擬機器搭載各種您需要的開發工具，並提供永久的 5GB 主目錄，而且可在 Google Cloud 運作，大幅提升網路效能並強化驗證功能。本程式碼研究室幾乎所有工作都可在瀏覽器或 Chromebook 上完成。

連線至 Cloud Shell 後，您應會發現自己通過驗證，且專案已設為您的專案 ID。

2. 在 Cloud Shell 中執行下列指令，確認您已通過驗證：

gcloud auth list

指令輸出

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

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

注意：gcloud 指令列工具是 Google Cloud 中功能強大的整合式指令列工具，並已預先安裝於 Cloud Shell。你會發現它支援 Tab 鍵自動完成功能。詳情請參閱 gcloud 指令列工具總覽。

gcloud config list project

指令輸出

[core]
project = <PROJECT_ID>

如未設定，請輸入下列指令手動設定專案：

gcloud config set project <PROJECT_ID>

指令輸出

Updated property [core/project].

3. 啟用 Speech-to-Text API

您必須先啟用 API，才能開始使用 Speech-to-Text API。您可以在 Cloud Shell 中使用下列指令啟用 API：

gcloud services enable speech.googleapis.com

注意：如果這項指令發生錯誤，請確認目前的專案 ID 與程式碼研究室專案 ID 相符。

使用下列指令找出 Cloud Shell 目前使用的專案 ID：

gcloud info | grep "project"

如果專案 ID 不正確，請使用下列指令來使用正確的專案 ID：

gcloud config set project <PROJECT_ID>

將 <PROJECT_ID> 替換為正確的專案 ID。

4. 驗證 API 要求

如要向 Speech-to-Text API 提出要求，必須使用「服務帳戶」。「服務帳戶」屬於您的專案，Google Client Node.js 程式庫會使用此帳戶提出 Speech-to-Text API 要求。服務帳戶與其他使用者帳戶一樣，都是以電子郵件地址表示。在本節中，您將使用 Cloud SDK 建立服務帳戶，然後建立以服務帳戶身分進行驗證所需的憑證。

請先使用 PROJECT_ID 設定環境變數，本程式碼研究室全程都會使用這個環境變數。如果您使用 Cloud Shell，系統會為您設定這個環境變數：

export GOOGLE_CLOUD_PROJECT=$(gcloud config get-value core/project)

接著，請使用下列方式建立新的服務帳戶，用以存取 Speech-to-Text API：

gcloud iam service-accounts create my-speech-to-text-sa \
  --display-name "my speech-to-text codelab service account"

接著，建立 Node.js 程式碼使用的憑證，用以登入新的服務帳戶。輸入下列指令，建立憑證並儲存為 JSON 檔案 ~/key.json：

gcloud iam service-accounts keys create ~/key.json \
  --iam-account  my-speech-to-text-sa@${GOOGLE_CLOUD_PROJECT}.iam.gserviceaccount.com

最後，設定 GOOGLE_APPLICATION_CREDENTIALS 環境變數，Speech-to-Text API Node.js 程式庫 (下一個步驟會介紹) 會使用這個變數尋找憑證。環境變數應設為您所建立 JSON 憑證檔案的完整路徑，方法如下：

export GOOGLE_APPLICATION_CREDENTIALS="/home/${USER}/key.json"

如要進一步瞭解如何驗證 Speech-to-Text API，請參閱這篇文章。

5. 安裝適用於 Node.js 的 Google Cloud Speech-to-Text API 用戶端程式庫

首先，請建立專案，用於執行這項 Speech-to-Text API 實驗室，並在所選資料夾中初始化新的 Node.js 套件：

npm init

NPM 會詢問專案設定的相關問題，例如名稱和版本。針對每個問題按下 ENTER，接受預設值。預設進入點是名為 index.js 的檔案。

接著，請將 Google Cloud Speech 程式庫安裝至專案：

npm install --save @google-cloud/speech

如需更多關於如何設定 Google Cloud Node.js 開發環境的說明，請參閱設定指南。

您現在可以使用 Speech-to-Text API 了！

6. 轉錄音訊檔案

在本節中，您將轉錄預先錄製的英文音訊檔案。音訊檔案位於 Google Cloud Storage。

注意：我們會使用 Google Cloud Storage 中的預錄檔案：gs://cloud-samples-tests/speech/brooklyn.flac。您可先在這裡聆聽這個檔案，再傳送至 Speech-to-Text API。

前往 index.js 檔案，並將程式碼替換成下列程式碼：

// Imports the Google Cloud client library
const speech = require('@google-cloud/speech');

const client = new speech.SpeechClient();

/**
 * Calls the Speech-to-Text API on a demo audio file.
 */
async function quickstart() {
// The path to the remote LINEAR16 file stored in Google Cloud Storage
  const gcsUri = 'gs://cloud-samples-data/speech/brooklyn_bridge.raw';

  // The audio file's encoding, sample rate in hertz, and BCP-47 language code
  const audio = {
    uri: gcsUri,
  };
  const config = {
    encoding: 'LINEAR16',
    sampleRateHertz: 16000,
    languageCode: 'en-US',
  };
  const request = {
    audio: audio,
    config: config,
  };

  // Detects speech in the audio file
  const [response] = await client.recognize(request);
  const transcription = response.results
      .map(result => result.alternatives[0].transcript)
      .join('\n');
  console.log(`Transcription: ${transcription}`);
}

quickstart();

請花一兩分鐘研究程式碼，瞭解如何轉錄音訊檔案*。*

Encoding 參數則說明音訊檔案是使用哪種音訊編碼類型。Flac 是 .raw 檔案的編碼類型 (詳情請參閱編碼類型說明文件)。

在 RecognitionAudio 物件中，您可以將 Cloud Storage 音訊檔案的 URI 傳送給 API，或是傳送音訊檔案的本機檔案路徑。這裡我們使用 Cloud Storage URI。

執行程式：

node .

您應該會看到以下的輸出內容：

how old is the Brooklyn Bridge

注意：如果這個 Node.js 程式碼無法運作，請驗證您在「驗證 API 要求」步驟中執行的操作。

使用下列指令驗證 GOOGLE_APPLICATION_CREDENTIALS 環境變數的值：

echo GOOGLE_APPLICATION_CREDENTIALS

應該會輸出值 "~/key.json".

如果有的話，請使用下列指令，確認服務帳戶已建立並位於 "~/key.json"：

cat "~/key.json"

您應該會看到類似下列內容：

{

"type": "service_account",

"project_id": "PROJECT_ID",

"private_key_id": "ff31939192529e07f42e4535fb20bb029def1276",

"Private_key":...

如果沒有，請返回「驗證 API 要求」步驟。

7. 轉錄並取得字詞時間戳記

Speech-to-Text 可以偵測轉錄音訊的時間偏移 (時間戳記)。時間偏移值會顯示在提供的音訊中，每個所說字詞的開始與結束時間。時間偏移值代表從音訊開始起算經過的時間量，以 100 毫秒為遞增量。

前往 index.js 檔案，並將程式碼替換成下列程式碼：

const speech = require('@google-cloud/speech');

const client = new speech.SpeechClient();

/**
 * Calls the Speech-to-Text API on a demo audio file.
 */
async function quickstart() {
// The path to the remote LINEAR16 file stored in Google Cloud Storage
  const gcsUri = 'gs://cloud-samples-data/speech/brooklyn_bridge.raw';

  // The audio file's encoding, sample rate in hertz, and BCP-47 language code
  const audio = {
    uri: gcsUri,
  };
  const config = {
    encoding: 'LINEAR16',
    sampleRateHertz: 16000,
    languageCode: 'en-US',
    enableWordTimeOffsets: true,
  };
  const request = {
    audio: audio,
    config: config,
  };

  // Detects speech in the audio file
  const [response] = await client.recognize(request);
  response.results.forEach((result) => {
    result.alternatives.forEach((alternative) => {
      console.log(`Transcript: ${alternative.transcript}`);
      console.log(`Word details:`);
      console.log(` Word count ${alternative.words.length}`);
      alternative.words.forEach((item) => {
        console.log(`  ${item.word}`);
        const s = parseInt(item.startTime.seconds) +
         item.startTime.nanos/1000000000;
        console.log(`   WordStartTime: ${s}s`);
        const e = parseInt(item.endTime.seconds) +
        item.endTime.nanos/1000000000;
        console.log(`   WordEndTime: ${e}s`);
      });
    });
  });
}

quickstart();

請花一到兩分鐘研究程式碼，瞭解如何使用程式碼轉錄音訊檔案，並取得字詞時間戳記*。*EnableWordTimeOffsets 參數會指示 API 啟用時間偏移 (詳情請參閱文件)。

再次執行程式：

node .

您應該會看到以下的輸出內容：

Transcript: how old is the Brooklyn Bridge
Word details:
 Word count 6
  how
   WordStartTime: 0s
   WordEndTime: 0.3s
  old
   WordStartTime: 0.3s
   WordEndTime: 0.6s
  is
   WordStartTime: 0.6s
   WordEndTime: 0.8s
  the
   WordStartTime: 0.8s
   WordEndTime: 0.9s
  Brooklyn
   WordStartTime: 0.9s
   WordEndTime: 1.1s
  Bridge
   WordStartTime: 1.1s
   WordEndTime: 1.4s

8. 轉錄不同語言的內容

Speech-to-Text API 支援超過 100 種語言的轉錄功能！如要查看支援的語言清單，請按這裡。

在本節中，您將轉錄預先錄製的法文音訊檔案。音訊檔案位於 Google Cloud Storage。

注意：我們會使用 Google Cloud Storage 中的預錄檔案：gs://speech-language-samples/fr-sample.flac。您可先在這裡聆聽這個檔案，再傳送至 Speech-to-Text API。

前往 index.js 檔案，並將程式碼替換成下列程式碼：

// Imports the Google Cloud client library
const speech = require('@google-cloud/speech');

const client = new speech.SpeechClient();

/**
 * Calls the Speech-to-Text API on a demo audio file.
 */
async function quickstart() {
// The path to the remote LINEAR16 file stored in Google Cloud Storage
  const gcsUri = 'gs://cloud-samples-data/speech/corbeau_renard.flac';

  // The audio file's encoding, sample rate in hertz, and BCP-47 language code
  const audio = {
    uri: gcsUri,
  };
  const config = {
    encoding: 'FLAC',
    languageCode: 'fr-FR',
  };
  const request = {
    audio: audio,
    config: config,
  };

  // Detects speech in the audio file
  const [response] = await client.recognize(request);
  const transcription = response.results
      .map((result) => result.alternatives[0].transcript)
      .join('\n');
  console.log(`Transcription: ${transcription}`);
}

quickstart();

再次執行程式，您應該會看到下列輸出內容：

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

這個句子來自法國著名童話。

如需支援的語言和語言代碼完整清單，請參閱這份文件。

9. 恭喜！

您已學會如何使用 Node.js 透過 Speech-to-Text API，對音訊檔案執行各種轉錄作業！

清除所用資源

如何避免系統向您的 Google Cloud Platform 帳戶收取您在本快速入門導覽課程中所用資源的相關費用：

• 前往 Cloud Platform Console。
• 選取要關閉的專案，然後按一下頂端的「刪除」，系統就會排定刪除專案的時間。

瞭解詳情

• Google Cloud Speech-to-Text API：https://cloud.google.com/speech-to-text/docs
• Google Cloud Platform 上的 Node.js：https://cloud.google.com/nodejs/
• Google Cloud Node.js 用戶端：https://googlecloudplatform.github.io/google-cloud-node/

授權

這項內容採用的授權為 Creative Commons 姓名標示 2.0 通用授權。