使用 Google Cloud Speech API

2020-07-21 08:00:00 · 飞浪

介绍与应用程序交互的方式有很多种。显然，键盘曾经是、现在仍然是与计算机通信的最常用设备之一。最近（以人类的时代，而不是计算机的时代）鼠标让我们能够超越基于文本的界面。触摸技术在鼠标的基

介绍

与应用程序交互的方式有很多种。显然，键盘曾经是、现在仍然是与计算机通信的最常用设备之一。最近（以人类的时代，而不是计算机的时代）鼠标让我们能够超越基于文本的界面。触摸技术在鼠标的基础上进行了改进，让我们能够使用更自然的交互。但是，当人们近距离地相互交流时，我们不会输入我们想说的话或指向它，而是使用口语。那么，计算机又有什么不同呢？

Google Cloud 语音 API

口头对话有两个方面：说话者和听话者。说话者必须发出声音来表达想法，而听话者则解释这些声音来重构想法。这似乎有些言过其实，因为人们每天都在这样做。但计算机并不理解这一点，除非向它们详细解释这些互动，否则它们无法理解。这就是 Google Cloud 中有两个语音 API 的原因。

首先是文本转语音 (TTS) API。此服务将书面（或键入）文本转换为类似于人声的声音。它提供 40 多种语言的 200 多种声音。它支持语音合成标记语言 (SSML)，它允许您使用一组“阶段指令”注释书面文本，这些指令可自定义声音以获得更逼真的效果。这包括文本中的停顿以及首字母缩略词和缩写的发音。

另一个 API 是补充，即语音转文本 (STT)。如果 TTS 是说话者，那么 STT 就是听者。STT API 可以转录 125 多种语言的语音。与 TTS API 一样，它可以自定义。一个常见的用例是识别特定行业中的术语。STT API 甚至可以实时转录流式音频。

文本转语音 API

TTS 和 STT API 均支持 Python、Node.js、C#、Java 和其他流行语言的客户端库。它们还都支持 REST API。在本指南中，我将使用 Python 客户端库。

要开始使用 API，您需要在 Cloud Console 项目中启用 Text-to-Speech API。然后，您需要下载服务帐户的凭据并将凭据文件的路径存储在名为GOOGLE_APPLICATION_SETTINGS的环境变量中。我之前的指南《使用 Google Cloud Vision 的计算机视觉》介绍了此过程。有关详细信息，请参阅链接。

要安装 Python 的客户端库，请使用pip。

      $ pip install google-cloud-texttospeech

最简单的示例从导入texttospeech模块开始。

      from google.cloud import texttospeech

接下来创建一个新的TextToSpeechClient。

      tts_client = texttospeech.TextToSpeechClient()

VoiceSelectionParams配置生成的声音。

      params = texttospeech.VoiceSelectionParams(language_code='en-US')

language_code关键字参数是必需的。目前有 40 种不同的语言代码。此处语言代码设置为美国英语。您还可以设置语音名称以使用当前 237 种不同语音中的一种。语音是语言代码和性别的组合。例如，语音“en-GB-Standard-A”使用en-GB语言代码（代表英国英语）和 2 性别（代表女性）。或者，您可以使用ssml_gender关键字参数指定性别。

      params = texttospeech.VoiceSelectionParams(language_code='en-US', ssml_gender=texttospeech.SsmlVoiceGender.FEMALE)
    

SsmlVoiceGender类型是四个值之一：SSML_VOICE_GENDER_UNSPECIFIED、MALE、FEMALE或NEUTRAL。

AudioConfig将为生成的音频文件选择一种格式。

      audio = texttospeech.AudioConfig(audio_encoding=texttospeech.AudioEncoding.MP3)

有效的AudioEncoding为MP3、LINEAR16、OGG_OPUS和AUDIO_ENCODING_UNSPECIFIED。

要朗读的文本位于SynthesisInput中。

      si = texttospeech.SynthesisInput(text='Peter Piper picked a peck of pickled peppers.')
    

最后，synthesize_speech方法将返回包含生成音频的SynthesizeSpeechResponse 。

      response = tts_client.synthesize_speech(input=si, voice=params, audio_config=audio)
    

响应的audio_content属性是可以写入文件的音频数据。确保使用wb模式写入二进制数据。

      f = open('en_us_female.mp3', 'wb')
f.write(response.audio_content)
f.close()
    

您可以从Github下载生成的音频文件 (en_us_female.mp3) 。我还通过将language_code关键字参数设置为en-GB，生成了一个男性声音 (en_us_male.mp3) 和一个带有英国口音的声音 (en_gb_male.mp3) 。

超细纤维增强塑料

如果我们为文本“我的邮政编码是 20202”生成一个音频文件会发生什么？在 Github 上收听文件 (zip_code_no_ssml.mp3)。

API 将“20202”读作“twenty million two hundred two”。但这不是我们读邮政编码的方式。我们会读出每个数字，例如“two oh two oh two”。我们如何才能让 Google 理解这一点？

答案是 SSML，即语音合成标记语言。它是一组用于标记要生成的文本的标签。以下是 SSML，它会告诉 Google 读出邮政编码中的每个数字。

      ssml = """
<speak>
    My zip code is
    <say-as interpret-as="characters">
    20202
    </say-as>
</speak>
"""
    

通过告诉 Google 将邮政编码解释为字符，它将读取每个数字。要让 Google 使用 SSML，请查看 SynthesisInput并将文本关键字参数更改为ssml。

      si = texttospeech.SynthesisInput(ssml=ssml)

生成的音频文件（zip_code_ssml.mp3）可以在 Github 上找到。

这只是 SSML 支持的一个示例。有关更多详细信息，请参阅文本转语音 API 文档。

语音转文本 API

STT API 的设置与 TTS API 类似。您需要为 Cloud Console 项目启用 Speech-to-Text API，并将服务帐号的凭据存储在名为GOOGLE_APPLICATION_CREDENTIALS的环境变量中。最后，使用pip安装客户端库包。

      $ pip install google-cloud-speech

要转录的音频文件需要存储在 API 可以访问的地方。Google Cloud Storage 中的存储桶是一个不错的选择。

首先导入语音包。

      from google.cloud import speech_v1p1beta1 as gcp_speech

SpeechClient处理与 API 的所有交互。

      stt_client = gcp_speech.SpeechClient()

您还必须告诉 API 音频文件中所使用的语言和采样率。我将使用其中一个生成的文件，其采样率为 24000 赫兹。

      language = 'en-US'
sr = 24000
    

对于 MP3 文件，必须指定编码。编码位于枚举模块中。

      from google.cloud.speech_v1p1beta1 import enums

MP3 = enums.RecognitionConfig.AudioEncoding.MP3

识别方法将调用API。

      response = stt_client.recognize(
	{
        'language_code': language,
        'sample_rate_hertz': sr,
        'encoding': MP3
    }, {
        'uri': 'gs://ps-guide-speech/en_us_male.mp3'
    }
)
    

第二本词典告诉 API 要转录的音频文件的位置。响应包含一个备选列表，每个备选列表都包含转录文本和置信度分数。

      transcript: "Peter Piper picked a peck of pickled peppers"
confidence: 0.9863739

这是用于生成音频文件的相同文本。而且置信度相当高。

结论

不要忘记，Python 并不是客户端库使用的唯一语言。而且始终可以使用任何 HTTP 框架直接调用 API。如果您结合使用 Google Cloud 文本转语音和语音转文本 API，您几乎就足以创建一个虚拟助手。剩下的唯一事情就是解析文本并从中提取含义。Google Cloud Natural API 可以提供这一点。STT API 允许您每月免费转录最多 60 分钟的音频。并且您可以使用 TTS API 每月免费生成最多 400 万个字符的文本的音频文件。谢谢阅读！

_{免责声明：本内容来源于第三方作者授权、网友推荐或互联网整理，旨在为广大用户提供学习与参考之用。所有文本和图片版权归原创网站或作者本人所有，其观点并不代表本站立场。如有任何版权侵犯或转载不当之情况，请与我们取得联系，我们将尽快进行相关处理与修改。感谢您的理解与支持！}

_查看原文

技术指南

阅读全文

使用 Google Cloud Speech API

杭州电子商务研究院

4年前 · 面向社会、服务行业、政产学研结合、整合资源、和谐发展

response = stt_client.recognize( { 'language_code': language, 'sample_rate_hertz': sr, 'encoding': MP3 }, { 'uri': 'gs://ps-guide-speech/en_us_male.mp3' } )