Transkrybuj w Dokumentach Google: dźwięk do transkrypcji tekstowej

Użyj poniższego fragmentu kodu, aby przekonwertować plik wideo na plik audio za pomocą FFMPEG .

Transkrybuj dźwięk z pliku wideo za pomocą mowy do tekstu

Ten samouczek pokazuje, jak transkrybować ścieżkę audio z pliku wideo za pomocą mowy do tekstu.

Pliki audio mogą pochodzić z wielu różnych źródeł. Dane audio mogą pochodzić z telefonu (np. Poczty głosowej) lub ścieżki dźwiękowej zawartej w pliku wideo.

Speech-to-Text może użyć jednego z kilku uczenia maszynowego modele Aby przepisać plik audio, aby najlepiej dopasować oryginalne źródło dźwięku. Możesz uzyskać lepsze wyniki z transkrypcji mowy, określając źródło oryginalnego dźwięku. Umożliwia to przetwarzanie plików audio za pomocą modelu uczenia maszynowego przeszkolonego dla danych podobnych do pliku audio.

Cele

• Wyślij żądanie transkrypcji audio dla pliku wideo do mowy do tekstu.

Koszty

• Mowa do tekstu

Aby wygenerować oszacowanie kosztów w oparciu o przewidywane użycie, skorzystaj z kalkulatora cenowego. Nowi użytkownicy Google Cloud mogą kwalifikować się do bezpłatnej próby.

Zanim zaczniesz

Ten samouczek ma kilka warunków wstępnych:

• Założyłeś projekt mowy do tekstu w konsoli Google Cloud.
• Skonfigurowałeś swoje środowisko za pomocą domyślnych poświadczeń aplikacji w konsoli Google Cloud Console.
• Założyłeś środowisko programistyczne dla wybranego języka programowania.
• Zainstalowałeś bibliotekę klientów Google Cloud dla wybranego języka programowania.

Przygotuj dane audio

Zanim możesz przepisać audio z filmu, musisz wyodrębnić dane z pliku wideo. Po wyodrębnianiu danych audio musisz przechowywać je w wiadrze pamięci w chmurze lub przekonwertować na bazę 64.

Notatka: Jeśli używasz biblioteki klientów do transkrypcji, nie musisz przechowywać ani konwertować danych audio. Musisz tylko wyodrębnić dane audio z pliku wideo przed wysłaniem żądania transkrypcji.

Wyodrębnij dane audio

Możesz użyć dowolnego narzędzia do konwersji plików, które obsługuje pliki audio i wideo, takie jak FFMPEG.

Użyj poniższego fragmentu kodu, aby przekonwertować plik wideo na plik audio za pomocą FFMPEG .

ffmpeg -i-input-input-file audio-output-plik 

Przechowuj lub przekonwertuj dane audio

Możesz transkrybować plik audio przechowywany na komputerze lokalnym lub w wiadrze w chmurze.

Użyj następującego polecenia, aby przesłać swój plik audio do istniejącego wiadra pamięci w chmurze za pomocą narzędzia GSUTIL.

GSUTIL CP Audio-Output-File Surage-Bucket-URI 

Jeśli użyjesz pliku lokalnego i planujesz wysłać żądanie za pomocą narzędzia Curl z wiersza polecenia, musisz najpierw przekonwertować plik audio na dane kodowane Base64.

Użyj następującego polecenia, aby przekonwertować plik audio na plik tekstowy.

base64 audio-output-plik -w 0> audio-data-text 

Wyślij żądanie transkrypcji

Użyj następującego kodu, aby wysłać żądanie transkrypcji do mowy do tekstu.

Żądanie pliku lokalnego

Protokół

Pełne szczegóły można znaleźć w punkcie końcowym API:.

Aby wykonać synchroniczne rozpoznawanie mowy, zrób żądanie postu i podaj odpowiedni korpus żądania. Poniżej pokazuje przykład żądania post za pomocą Curl . Przykład używa tokena dostępu do konta serwisowego skonfigurowanego dla projektu za pomocą Google Cloud Google Cloud CLI. Instrukcje dotyczące instalacji CLI GCLoud, konfigurację projektu z konto serwisowym i uzyskanie tokenu dostępu, zobacz QuickStart.

curl -s -h "Content-Type: Application/Json" \ -h "autoryzacja: nosiciel $ (gcloud autoryzacja default print-access-token)" \ https: // mowa mowa: // mowa.Googleapis.com/v1/mowa: rozpoznać \ - -data ' < "config": < "encoding": "LINEAR16", "sampleRateHertz": 16000, "languageCode": "en-US", &bdquo;Model&rdquo;: &bdquo;wideo&rdquo; >, &bdquo;audio&rdquo;: < "uri": "gs://cloud-samples-tests/speech/Google_Gnome.wav" >> '

Więcej informacji na temat konfigurowania ciała żądania znajduje się w dokumentacji referencyjnej.

Jeśli żądanie zakończy się powodzeniem, serwer zwraca kod stanu 200 OK HTTP i odpowiedź w formacie JSON:

Iść

Aby uwierzytelnić się do mowy do tekstu, skonfiguruj domyślne poświadczenia aplikacji. Aby uzyskać więcej informacji, zobacz Uwierzytelnianie lokalnego środowiska programistycznego.

 FUNC Modele -Selection (w io.Pisarz, ciąg ścieżki) Błąd {ctx: = kontekst.TAOLD () klient, err: = mowa.NEWCLIENT (CTX) Jeśli err != zero {return fmt.Errorf („NewClient: %w”, err)} defer Client.Close () // ścieżka = "../testData/Google_gnome.WAV "Dane, err: = ioutil.Odczyt (ścieżka) Jeśli err != zero {return fmt.Errorf („ReadFile: %W”, err)} req: = & meePB.Rozpoznania {config: & meePB.Rozpoznawanie konfig {kodowanie: manpb.Rozpoznawanieconfig_linear16, SampleRateHertz: 16000, LanguageCode: „en-us”, model: „wideo”,}, audio: & meePB.Rozpoznawanie {audiOSource: & meympb.Rozpoznawanieaudio_content,},} resp, err: = klient.Rozpoznać (CTX, req), jeśli err != zero {return fmt.Errorf („rozpoznanie: %w”, err)} dla i, wynik: = zakres odpowiedni.Wyniki {fmt.Fprintf (w, „%s \ n”, struny.Powtórz („-”, 20)) fmt.Fprintf (w, „wynik %d \ n”, i+1) dla j, alternatywa: = wynik zakresu.Alternatywy {fmt.Fprintf (w, „alternatywna %d: %s \ n”, j+1, alternatywa.Transkrypcja)}} return zero} 

Jawa

Aby uwierzytelnić się do mowy do tekstu, skonfiguruj domyślne poświadczenia aplikacji. Aby uzyskać więcej informacji, zobacz Ustaw U

Transkrybuj w Dokumentach Google: dźwięk do transkrypcji tekstowej

Użyj poniższego fragmentu kodu, aby przekonwertować plik wideo na plik audio za pomocą FFMPEG .

Transkrybuj dźwięk z pliku wideo za pomocą mowy do tekstu

Ten samouczek pokazuje, jak transkrybować ścieżkę audio z pliku wideo za pomocą mowy do tekstu.

Pliki audio mogą pochodzić z wielu różnych źródeł. Dane audio mogą pochodzić z telefonu (np. Poczty głosowej) lub ścieżki dźwiękowej zawartej w pliku wideo.

Speech-to-Text może użyć jednego z kilku uczenia maszynowego modele Aby przepisać plik audio, aby najlepiej dopasować oryginalne źródło dźwięku. Możesz uzyskać lepsze wyniki z transkrypcji mowy, określając źródło oryginalnego dźwięku. Umożliwia to przetwarzanie plików audio za pomocą modelu uczenia maszynowego przeszkolonego dla danych podobnych do pliku audio.

Cele

• Wyślij żądanie transkrypcji audio dla pliku wideo do mowy do tekstu.

Koszty

• Mowa do tekstu

Aby wygenerować oszacowanie kosztów w oparciu o przewidywane użycie, skorzystaj z kalkulatora cenowego. Nowi użytkownicy Google Cloud mogą kwalifikować się do bezpłatnej próby.

Zanim zaczniesz

Ten samouczek ma kilka warunków wstępnych:

• Założyłeś projekt mowy do tekstu w konsoli Google Cloud.
• Skonfigurowałeś swoje środowisko za pomocą domyślnych poświadczeń aplikacji w konsoli Google Cloud Console.
• Założyłeś środowisko programistyczne dla wybranego języka programowania.
• Zainstalowałeś bibliotekę klientów Google Cloud dla wybranego języka programowania.

Przygotuj dane audio

Zanim możesz przepisać audio z filmu, musisz wyodrębnić dane z pliku wideo. Po wyodrębnianiu danych audio musisz przechowywać je w wiadrze pamięci w chmurze lub przekonwertować na bazę 64.

Notatka: Jeśli używasz biblioteki klientów do transkrypcji, nie musisz przechowywać ani konwertować danych audio. Musisz tylko wyodrębnić dane audio z pliku wideo przed wysłaniem żądania transkrypcji.

Wyodrębnij dane audio

Możesz użyć dowolnego narzędzia do konwersji plików, które obsługuje pliki audio i wideo, takie jak FFMPEG.

Użyj poniższego fragmentu kodu, aby przekonwertować plik wideo na plik audio za pomocą FFMPEG .

ffmpeg -i plik wejściowy wideo plik dźwiękowy 

Przechowuj lub przekonwertuj dane audio

Możesz transkrybować plik audio przechowywany na komputerze lokalnym lub w wiadrze w chmurze.

Użyj następującego polecenia, aby przesłać swój plik audio do istniejącego wiadra pamięci w chmurze za pomocą narzędzia GSUTIL.

GSUTIL CP plik dźwiękowy Storage-Bucket-Uri 

Jeśli użyjesz pliku lokalnego i planujesz wysłać żądanie za pomocą narzędzia Curl z wiersza polecenia, musisz najpierw przekonwertować plik audio na dane kodowane Base64.

Użyj następującego polecenia, aby przekonwertować plik audio na plik tekstowy.

Base64 plik dźwiękowy -W 0> Tekst audio-data 

Wyślij żądanie transkrypcji

.

Żądanie pliku lokalnego

Protokół

Pełne szczegóły można znaleźć w punkcie końcowym API:.

Aby wykonać synchroniczne rozpoznawanie mowy, zrób żądanie postu i podaj odpowiedni korpus żądania. Poniżej pokazuje przykład żądania post za pomocą Curl . Przykład używa tokena dostępu do konta serwisowego skonfigurowanego dla projektu za pomocą Google Cloud Google Cloud CLI. Instrukcje dotyczące instalacji CLI GCLoud, konfigurację projektu z konto serwisowym i uzyskanie tokenu dostępu, zobacz QuickStart.

curl -s -h "Content-Type: Application/Json" \ -h "autoryzacja: nosiciel $ (gcloud autoryzacja default print-access-token)" \ https: // mowa mowa: // mowa.Googleapis.com/v1/mowa: rozpoznać \ - -data ' < "config": < "encoding": "LINEAR16", "sampleRateHertz": 16000, "languageCode": "en-US", &bdquo;Model&rdquo;: &bdquo;wideo&rdquo; >, &bdquo;audio&rdquo;: < "uri": "gs://cloud-samples-tests/speech/Google_Gnome.wav" >> '

Więcej informacji na temat konfigurowania ciała żądania znajduje się w dokumentacji referencyjnej.

Jeśli żądanie zakończy się powodzeniem, serwer zwraca kod stanu 200 OK HTTP i odpowiedź w formacie JSON:

Iść

. Aby uzyskać więcej informacji, zobacz Uwierzytelnianie lokalnego środowiska programistycznego.

 FUNC Modele -Selection (w io.Pisarz, ciąg ścieżki) błąd < ctx := context.Background() client, err := speech.NewClient(ctx) if err != nil < return fmt.Errorf("NewClient: %w", err) >odroczyć klient.Close () // ścieżka = "../testData/Google_gnome.WAV "Dane, err: = ioutil.Odczyt (ścieżka) Jeśli err != zero < return fmt.Errorf("ReadFile: %w", err) >req: = & mympb.Rozpoznaje się< Config: &speechpb.RecognitionConfig< Encoding: speechpb.RecognitionConfig_LINEAR16, SampleRateHertz: 16000, LanguageCode: "en-US", Model: "video", >, Audio: & meePB.Uznanie< AudioSource: &speechpb.RecognitionAudio_Content, >, > RESP, err: = klient.Rozpoznać (CTX, req), jeśli err != zero < return fmt.Errorf("Recognize: %w", err) >dla i, wynik: = zakres odpowiedni.Wyniki < fmt.Fprintf(w, "%s\n", strings.Repeat("-", 20)) fmt.Fprintf(w, "Result %d\n", i+1) for j, alternative := range result.Alternatives < fmt.Fprintf(w, "Alternative %d: %s\n", j+1, alternative.Transcript) >> zwróć zero> 

Jawa

Aby uwierzytelnić się do mowy do tekstu, skonfiguruj domyślne poświadczenia aplikacji. Aby uzyskać więcej informacji, zobacz Uwierzytelnianie lokalnego środowiska programistycznego.

/*** Wykonuje transkrypcję podanego pliku audio synchronicznie z wybranym modelem. * * @param nazwa pliku ścieżka do pliku audio do transkrypcji */ public Static void TrapricribEmodelselection (nazwa pliku string) Wykazuje wyjątek < Path path = Paths.get(fileName); byte[] content = Files.readAllBytes(path); try (SpeechClient speech = SpeechClient.create()) < // Configure request with video media type RecognitionConfig recConfig = RecognitionConfig.newBuilder() // encoding may either be omitted or must match the value in the file header .setEncoding(AudioEncoding.LINEAR16) .setLanguageCode("en-US") // sample rate hertz may be either be omitted or must match the value in the file // header .setSampleRateHertz(16000) .setModel("video") .build(); RecognitionAudio recognitionAudio = RecognitionAudio.newBuilder().setContent(ByteString.copyFrom(content)).build(); RecognizeResponse recognizeResponse = speech.recognize(recConfig, recognitionAudio); // Just print the first result here. SpeechRecognitionResult result = recognizeResponse.getResultsList().get(0); // 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("Transcript : %s\n", alternative.getTranscript()); >>

Węzeł.JS

Aby uwierzytelnić się do mowy do tekstu, skonfiguruj domyślne poświadczenia aplikacji. Aby uzyskać więcej informacji, zobacz Uwierzytelnianie lokalnego środowiska programistycznego.

// importuje bibliotekę klientów Google Cloud dla interfejsu API beta/** * Todo (programista): aktualizacja biblioteki klientów import, aby użyć nowej * wersji interfejsu API, gdy pożądane funkcje będą dostępne */const seech = wymaganie (&bdquo;@Google-Cloud/mowa&rdquo;).v1p1beta1; const fs = wymaga (&bdquo;fs&rdquo;); // tworzy klient Const Customer = nowa mowa.MandClient (); /*** TODO (programista): Uzyskaj następujące wiersze przed uruchomieniem próbki. */ // const filename = 'Lokalna ścieżka do pliku audio, e.G. /ścieżka/do/audio.surowy'; // const model = 'Model do użycia, e.G. phone_call, wideo, domyślnie &rdquo;; // const koding = 'kodowanie pliku audio, e.G. Linear16 '; // const Sampleracehertz = 16000; // const languagecode = 'kod językowy BCP-47, e.G. en-us &rdquo;; const config = < encoding: encoding, sampleRateHertz: sampleRateHertz, languageCode: languageCode, model: model, >; const audio = < content: fs.readFileSync(filename).toString('base64'), >; żądanie const = < config: config, audio: audio, >; // wykrywa mowę w pliku audio const [odpowiedź] = oczekiwanie na klienta.rozpoznać (żądanie); cont transkrypcja = odpowiedź.wyniki .mapa (wynik => wynik.Alternatywy [0].transkrypcja) .dołącz (&bdquo;\ n&rdquo;); konsola.log (&bdquo;transkrypcja:&rdquo;, transkrypcja);

Pyton

Aby uwierzytelnić się do mowy do tekstu, skonfiguruj domyślne poświadczenia aplikacji. Aby uzyskać więcej informacji, zobacz Uwierzytelnianie lokalnego środowiska programistycznego.

def transkrypcja_model_selection (mkela_file, model): „” „transkrybuj podany plik audio synchronicznie z wybranym modelem.„” ”z Google.Klient mowy importowej w chmurze = mowa.MandClient () z otwartym (mkela_file, „rb”) jako audio_file: content = audio_file.czytaj () audio = mowa.Rozpoznawanieaudio (content = content) config = mowa.Rozpoznawanie konfig (kodowanie = mowa.Rozpoznawanie konfig.Audioencoding.Linear16, próbka_rate_hertz = 16000, language_code = "en-us", model = model,) response = klient.rozpoznaje (config = config, audio = audio) dla i, wyeliminuj wyliczenie (odpowiedź.wyniki): alternatywa = wynik.Alternatywy [0] print ("-" * 20) print (f "Pierwsza alternatywa wyniku") print (f "transkrypt:") 

Dodatkowe języki

C#: Proszę postępować zgodnie z instrukcjami konfiguracji C# na stronie bibliotek klienta, a następnie odwiedź dokumentację referencyjną mowy do tekstu .INTERNET.

Php: Proszę postępować zgodnie z instrukcjami konfiguracji PHP na stronie bibliotek klienta, a następnie odwiedź dokumentację referencyjną mowy do tekstu dla PHP.

Rubin: Postępuj zgodnie z instrukcjami konfiguracji Ruby na stronie bibliotek klienta, a następnie odwiedź dokumentację referencyjną mowy do tekstu dla Ruby.

Żądanie zdalnego pliku

Jawa

Aby uwierzytelnić się do mowy do tekstu, skonfiguruj domyślne poświadczenia aplikacji. Aby uzyskać więcej informacji, zobacz Uwierzytelnianie lokalnego środowiska programistycznego.

/*** Wykonuje transkrypcję zdalnego pliku audio asynchronicznie z wybranym modelem. * * @param gcsuri ścieżka do zdalnego pliku audio do transkrypcji. */ Public Static Void TranscribemodelELectiongcs (String GCSURI) rzuca wyjątek < try (SpeechClient speech = SpeechClient.create()) < // Configure request with video media type RecognitionConfig config = RecognitionConfig.newBuilder() // encoding may either be omitted or must match the value in the file header .setEncoding(AudioEncoding.LINEAR16) .setLanguageCode("en-US") // sample rate hertz may be either be omitted or must match the value in the file // header .setSampleRateHertz(16000) .setModel("video") .build(); RecognitionAudio audio = RecognitionAudio.newBuilder().setUri(gcsUri).build(); // Use non-blocking call for getting file transcription OperationFutureresponse = speech.longRunningRecognizeAsync(config, audio); while (!response.isDone()) < System.out.println("Waiting for response. "); Thread.sleep(10000); >Wyniki listy = odpowiedź.Dostawać().getResultslist (); // po prostu wydrukuj pierwszy wynik tutaj. MandrecognitionResult wynik = wyniki.zdobądź (0); // może istnieć kilka alternatywnych transkryptów dla danej części mowy. Po prostu użyj // najpierw (najprawdopodobniej) jednego tutaj. Merdecrecogitionalternative alternative = wynik.getAlternativesList ().zdobądź (0); System.na zewnątrz.printf (&bdquo;transkrypcja: %s \ n&rdquo;.getTranscript ()); >>

Węzeł.JS

Aby uwierzytelnić się do mowy do tekstu, skonfiguruj domyślne poświadczenia aplikacji. Aby uzyskać więcej informacji, zobacz Uwierzytelnianie lokalnego środowiska programistycznego.

// importuje bibliotekę klientów Google Cloud dla interfejsu API beta/** * Todo (programista): aktualizacja biblioteki klientów import, aby użyć nowej * wersji interfejsu API, gdy pożądane funkcje będą dostępne */const seech = wymaganie (&bdquo;@Google-Cloud/mowa&rdquo;).v1p1beta1; // tworzy klient Const Customer = nowa mowa.MandClient (); /*** TODO (programista): Uzyskaj następujące wiersze przed uruchomieniem próbki. */// const gcsuri = 'gs: // my-bucket/audio.surowy'; // const model = 'Model do użycia, e.G. phone_call, wideo, domyślnie &rdquo;; // const koding = 'kodowanie pliku audio, e.G. Linear16 '; // const Sampleracehertz = 16000; // const languagecode = 'kod językowy BCP-47, e.G. en-us &rdquo;; const config = < encoding: encoding, sampleRateHertz: sampleRateHertz, languageCode: languageCode, model: model, >; const audio = < uri: gcsUri, >; żądanie const = < config: config, audio: audio, >; // wykrywa mowę w pliku audio. const [odpowiedź] = czekaj na klienta.rozpoznać (żądanie); cont transkrypcja = odpowiedź.wyniki .mapa (wynik => wynik.Alternatywy [0].transkrypcja) .dołącz (&bdquo;\ n&rdquo;); konsola.log (&bdquo;transkrypcja:&rdquo;, transkrypcja);

Pyton

Aby uwierzytelnić się do mowy do tekstu, skonfiguruj domyślne poświadczenia aplikacji. Aby uzyskać więcej informacji, zobacz Uwierzytelnianie lokalnego środowiska programistycznego.

def transkrypcja_model_selection_gcs (gcs_uri, model): „” „transkrybuj dany plik audio asynchronicznie za pomocą wybranego modelu.„” ”z Google.Klient mowy importowej w chmurze = mowa.MandClient () audio = mowa.Rozpoznawanieaudio (URI = gcs_uri) config = mowa.Rozpoznawanie konfig (kodowanie = mowa.Rozpoznawanie konfig.Audioencoding.Linear16, próbka_rate_hertz = 16000, language_code = "en-us", model = model,) operacja = klient.Long_Running_Recognize (config = config, audio = audio) print („Oczekiwanie na zakończenie operacji. ") Odpowiedź = Operacja.wynik (limit czasu = 90) dla i, wyniku wyliczyć (odpowiedź.wyniki): alternatywa = wynik.Alternatywy [0] print ("-" * 20) print (f "Pierwsza alternatywa wyniku") print (f "transkrypt:") 

Dodatkowe języki

C#: Proszę postępować zgodnie z instrukcjami konfiguracji C# na stronie bibliotek klienta, a następnie odwiedź dokumentację referencyjną mowy do tekstu .INTERNET.

Php: Proszę postępować zgodnie z instrukcjami konfiguracji PHP na stronie bibliotek klienta, a następnie odwiedź dokumentację referencyjną mowy do tekstu dla PHP.

Rubin: Postępuj zgodnie z instrukcjami konfiguracji Ruby na stronie bibliotek klienta, a następnie odwiedź dokumentację referencyjną mowy do tekstu dla Ruby.

Posprzątać

Aby uniknąć poniesienia opłat na konto Google Cloud za zasoby wykorzystywane w tym samouczku, albo usuń projekt zawierający zasoby, albo zachowaj projekt i usuń poszczególne zasoby.

Usuń projekt

Najłatwiejszym sposobem na wyeliminowanie faktur jest usunięcie projektu, który stworzyłeś dla samouczka.

Ostrożność: Usunięcie projektu ma następujące efekty:

• Wszystko w projekcie jest usunięte. Jeśli użyłeś istniejącego projektu do tego samouczka, kiedy go usuwasz, usuwasz także wszelkie inne prace, które wykonałeś w projekcie.
• Niestandardowe identyfikatory projektów są utracone. Po utworzeniu tego projektu być może stworzyłeś niestandardowy identyfikator projektu, którego chcesz użyć w przyszłości. Aby zachować adresy URL, które korzystają z identyfikatora projektu, takich jak AppSpot.COM URL, usuń wybrane zasoby w projekcie zamiast usuwać cały projekt.

Jeśli planujesz zbadać wiele samouczków i szybkich startów, ponowne wykorzystanie projektów może pomóc w uniknięciu przekroczenia limitów kwot projektu.

Usuń instancje

1. W konsoli Google Cloud idź do Instancje VM strona. Przejdź do instancji VM
2. Wybierz pole wyboru dla przykładu, który chcesz usunąć.
3. Aby usunąć instancję, kliknij More_Vert Więcej akcji, Kliknij Usuwać, a następnie postępuj zgodnie z instrukcjami.

Usuń reguły zapory dla domyślnej sieci

1. W konsoli Google Cloud idź do Zapora strona. Idź do zapory ogniowej
2. Wybierz pole wyboru dla reguły zapory, którą chcesz usunąć.
3. Aby usunąć zasadę zapory, kliknij Usuń Usuwać.

Co dalej

• Dowiedz się, jak uzyskać znaczniki czasu na dźwięk.
• Zidentyfikuj różne głośniki w pliku audio.

Spróbuj tego dla siebie

Jeśli jesteś nowy w Google Cloud, utwórz konto, aby ocenić, w jaki sposób mowa do tekstu działa w scenariuszach rzeczywistych. Nowi klienci otrzymują również 300 USD w bezpłatnych kredytach do uruchamiania, testowania i wdrażania obciążeń.

Wyślij opinię

O ile nie wspomniano inaczej, treść tej strony jest licencjonowana w ramach Creative Commons Actribution 4.0 Licencja, a próbki kodów są licencjonowane na podstawie Apache 2.0 Licencja. Aby uzyskać szczegółowe informacje, zobacz zasady witryny Google Developers. Java jest zarejestrowanym znakiem towarowym Oracle i/lub jej podmiotów stowarzyszonych.

Ostatnia aktualizacja 2023-05-19 UTC.

Transkrybuj w Dokumentach Google: dźwięk do transkrypcji tekstowej

W tym artykule przejrzy sposób transkrypcji w Dokumentach Google za pomocą funkcji pisania głosowego. To bezpłatne narzędzie do transkrypcji jest przydatne do wielu zadań oprócz zwykłego pisania głosowego: możesz szybko wprowadzić swoje pomysły w formie pisemnej, zdobyć szorstkie notatki z spotkań i tworzyć scenariusze do przemówień. Transkrypty są przydatne z wielu powodów: można je wyszukiwać, możesz je użyć do tworzenia napisów i IT’jest łatwy do zapisania ich w przyszłości.

Czy Dokumenty Google mogą przepisać plik audio?

Niewiele osób wie, że możesz używać Dokumentów Google do transkrypcji plików audio (chociaż Don My Don’t Polecam! Zamiast tego użyj narzędzia zewnętrznego, takiego jak SPF.IO, aby uzyskać dokładne i szybkie transkrypcje z plików audio). Pamiętaj, że użycie narzędzia do czegoś innego niż jego główny cel da ci mniej niż idealne wyniki. Jeśli użyjesz pisania głosowego, aby uzyskać bezpłatne transkrypcje z plików audio, w pisaniu będzie brakować interpunkcji, prawdopodobnie ma nieprawidłowe lub brakujące słowa, a następnie wymaga znacznej edycji.

Są to pewne korzyści z korzystania z funkcji pisania głosowego Dokumenty Google:
-Bezpłatnie: Dokumenty Google nie wymagają żadnych opłat za rozpoczęcie.
-Edytowalne: tekst w dokumencie Google jest łatwy do zmodyfikowania, komentowania i korzystania z współpracownikami, którzy ci pomagają
-Łatwo się udostępniać: od ciebie’ponownie pracując bezpośrednio w Google Docs, możesz użyć
“udział” Funkcja, aby wysłać transkrypcję do przyjaciół i współpracowników

Wady do korzystania z bezpłatnych narzędzi transkrypcyjnych, takich jak Dokumenty Google:
-Brak tłumaczenia
-Brak znaczków czasowych
-Brak automatycznej interpunkcji (możesz ustnie powiedzieć “okres” Lub “przecinek,” Ale dokumenty nie przepisują się z interpunkcją. Przeczytaj więcej o poleceń głosowych tutaj).
-Brak niestandardowych słowników lub automatycznych poprawek pisowni (jeśli chcesz tej funkcji, użyj SPF.IO i utwórz własną bazę danych autoreplacentów)

Jak korzystać z Google’S narzędzie tekstu do mowy

Po uzyskaniu pliku audio wykonaj następujące kroki, aby przejść w dokumentach Google:

1. Utwórz nowy dokument:
   Otwórz nowy plik Dokumentu Google na https: // dokumentów.Google.com/dokument/
2. Włącz tekst na mowę:
   Pod narzędziami wybierz “Pisanie głosowe”
3. Wybierz język transkrypcji:
   Gdy pojawi się mikrofon, możesz użyć strzałki rozwijanej obok wyświetlonego języka (w tym przypadku angielskiego (nas)), aby wybrać język. Kiedy transkrybujesz w dokumentach Google do pracy dwujęzycznej, ty’Muszę zatrzymać się i wyłączyć mikrofon przed przejściem na nowy język za każdym razem, gdy chcesz mówić inaczej.
4. Rozpocznij transkrypcję pliku audio:
   Zacznij odtwarzać swój plik audio w innym oknie (upewnij się, że gra w głośniki, a nie przez zestaw słuchawkowy!). Kliknij mikrofon w dokumentach Google tak szybko, jak to możliwe, aby uchwycić dźwięk. Powodem, dla którego musisz to zrobić, jest to, że jeśli klikniesz od okna Dokumentu Google, transkrypcja się zatrzyma. Minusem jest to, że ty’LL straci pierwszą część pliku audio lub wideo, klikając w Dokumenty Google, aby rozpocząć transkrypcję.
5. Edytuj swój transkrypt:
   To najbardziej czasochłonna część tego procesu od czasu wygranej’Nie dodawano interpunkcji automatycznie podczas transkrybowania w Dokumentach Google. Zauważ, że możesz’e edytuj tekst w dokumencie w miarę transkrypcji wideo/dźwięku – pisanie głosowe doda tekst wszędzie, gdzie umieścisz kursor.

Inne sposoby korzystania z Dokumentów Google mowa do tekstu:

• Pisz szybciej
• Rób notatki z spotkania
• Utwórz skrypt do mowy

Łatwe i dokładne transkrypcje audio/wideo z SPF.io

Chociaż proces transkrypcji w Google Docs jest bezpłatny, może to zająć dużo czasu (co ostatecznie może być droższe!). Zalecamy korzystanie z narzędzi innych firm, takich jak SPF.IO w celu uzyskania dokładnych transkryptów, które wymagają mniej czasochłonnej edycji, niż wymagają bezpłatne narzędzia. Jest to szczególnie konieczne, jeśli masz wiele godzin wideo/dźwięku do transkrypcji.

Z SPF.IO, możesz nawet użyć swojego transkryptu do tworzenia podpisów i napisów. Ponieważ oferujemy wiele opcji w naszym narzędziu typu „”, masz swobodę tłumaczenia tekstu na ponad 60 języków! Oferujemy również podpisy na żywo dla większości platform, takich jak Zoom, Streamyard, YouTube i więcej.

Zmęczony próbą transkrypcji w Google Docs? Uprości proces i uzyskaj wycenę z SPF.IO dla twojego projektu transkrypcyjnego!

Transkrybowanie treści audio: zasoby i poradniki

Jeśli chcesz przepisać treść audio, to ty’ve Przyjdź do właściwego miejsca. Niezależnie od tego, czy zdecydujesz się korzystać z usługi transkrypcji innej firmy, czy DIY (zrób to sam), to’jest ważne, aby zważyć zalety i wady i wybrać, która opcja jest dla Ciebie najlepiej.

Korzyści z transkrypcji dźwięku

1. Stwórz lepszą wrażenia użytkownika
2. Zwiększ swoje szanse na cytowanie i przypisanie
3. Zwiększenie optymalizacji wyszukiwarek (SEO)
4. Popraw dostępność dla użytkowników, którzy są D/Głuchy lub niedosłyszący

Ponadto wiele firm i organizacji jest ZALEKOWANIE WYMAGANE DO URUSZENIA TRANSPRYPTÓW DLA TREŚCI Na podstawie ustawy o Amerykanach z niepełnosprawnością oraz sekcją 504 i 508 ustawy o rehabilitacji. WCAG 2.0 to zestaw wytycznych wprowadzonych przez konsorcjum internetowe na całym świecie, aby uczynić treści cyfrowe bardziej dostępne dla użytkowników, w tym osoby niepełnosprawne. WCAG 2.0 ma trzy poziomy zgodności: poziom A, AA i AAA. Sekcja 508 została zmieniona w celu spełnienia WCAG 2.0 Poziom A i AA. Zgodnie z najniższym poziomem, poziomy A, transkrypty są zalecane dla treści wyłącznie w dźwięku.

My’LL zapewni różne zasoby’LL musi przepisać z pliku audio i pomóc w ustaleniu najbardziej opłacalnego wyboru na podstawie budżetu, czasu i konkretnych potrzeb. Powodzenia i szczęśliwego transkrypcji!

Transkrypcja DIY

Ręczne transkrypcja dźwięku może być zniechęcającym zadaniem, szczególnie gdy masz dłuższe formy treści. Zwykle wymaga to 5-6 razy więcej niż faktyczny czas treści. Na szczęście dostępnych jest wiele bezpłatnych i tanich narzędzi do uproszczenia procesu. Zanim zaczniesz transkrybować, upewnij się Uchwyć wyraźny i głośny dźwięk. Pomoże to zmniejszyć czerwone flagi i niesłyszalne dźwięki w transkrypcji.

Youtube

Jeśli hostujesz zawartość audio na YouTube, możesz skorzystać z bezpłatnego automatycznego narzędzia do transkrypcji wideo. To narzędzie automatycznie przepisuje dźwięk do tekstu, ale pamiętaj, że ma wiele błędów. Transkrypty wyprodukowane przez YouTube’narzędzie S jest zbyt niedokładne, aby można je było używać samodzielnie. Dlatego to’s gorąco polecam je wyczyścić, ponieważ mogą Zranij dostępność wideo i ranking na stronach wyników wyszukiwania (SERP).

Tutaj’S Jak wykorzystać YouTube’S Automatyczna transkrypcja wideo:

1. Z menedżera wideo wybierz swój film i kliknij Edycja> napisy i CC. Wybierać Dodaj napisy lub CC i wybierz swój język.
2. Wybierać Transkrybuj i ustaw czas, i wpisz transkrypt w dostarczonej przestrzeni. YouTube automatycznie zatrzyma wideo w miarę pisania, abyś mógł szybciej i dokładnie transkrybować.
3. Gdy będziesz zadowolony, wybierz Ustaw czas. To zsynchronizuje transkrypcję z wideo.

Podobnie możesz wcześniej utworzyć transkrypt i przesłać go do YouTube:

1. Najpierw utwórz transkrypcję z Youtube’S. Zalecenia dotyczące formatowania.
2. Przejdź do menedżera wideo w YouTube i kliknij Edycja> napisy i CC. Wybierz Dodaj napisy lub CC i wybierz swój język.
3. Wybierać Prześlij plik, wybierać Transkrypcja, i wybierz swój .plik txt do przesłania.
4. Po przesłaniu transkrypcji kliknij Ustaw czas Aby zsynchronizować transkrypcję z wideo i utworzyć podpisy zamknięte.

Możesz także pobrać plik transkrypcji później z czasami jako plik podpisu:

1. Przejdź do filmu, z którego chcesz pobrać transkrypcję. Kliknij na Więcej akcji przycisk (3 poziome kropki). Wskazówka: to’S znajdujący się obok przycisku udostępniania.
2. Wybierz Transkrypcja opcja.
3. Transkrypcja podpisów zamkniętych z kodami czasowymi automatycznie wygeneruje.

Oprogramowanie ASR

Automatyczne rozpoznawanie mowy, znane również jako ASR, to technologia, która odbiera ludzką mowę i przekształca ją w tekst. Możesz przesłać swoje media do oprogramowania ASR, a automatycznie przepisuje dźwięk na tekst. Ta metoda wciąż ma wiele błędów, ale’jest o wiele łatwiejsza i szybsza, aby oczyścić niedokładną transkrypcję niż zacząć od zera.

Istnieje wiele opcji oprogramowania do transkrypcji, które są bezpłatne lub dostępne za niewielkie koszty, takie jak Express Scribe, Eurescribe i Dragon.

Dokumenty Google

Google oferuje niesamowitą funkcję, która umożliwia przekształcenie dokumentów w bezpłatne oprogramowanie transkrypcyjne. Jeśli nie masz’T mieć konto Gmaila, możesz zarejestrować się bezpłatnie. Jeśli masz istniejące konto, masz już dostęp do funkcji o nazwie Dokumenty Google; Dokumenty Google to narzędzie do edytora tekstu, które pozwala tworzyć dokumenty tekstowe w przeglądarce internetowej. Za pomocą pisania głosowego transkrypcja Google może tworzyć transkrypty tekstowe z audio. Podobnie jak wiele innych ręcznych narzędzi do transkrypcji, pojawią się błędy, więc upewnij się, że je wyczyść przed użyciem.

Wykonaj następujące kroki, aby utworzyć transkrypcję:

1. Korzystając z dowolnej wybranej przeglądarki, przejdź do strony Google Docs i Rozpocznij nowy dokument.
2. Kliknij Narzędzia i wybierz Pisanie głosowe. Umożliwi rozpoznanie głosu.
3. Kliknij Mikrofon ikona po lewej do aktywacji Pisanie głosowe. Google transkrybuje wszystko, co zostało powiedziane do dokumentu Word.

iOS/Android

Innym sposobem transkrypcji treści audio jest użycie smartfona. Podobnie jak Dokumenty Google, mikrofon odbędzie się na audio i przepisuje go na tekst. Transkrypcja smartfona działa nieco lepiej niż Dokumenty Google, ponieważ mikrofon w telefonie podnosi mniej szumu tła; Jednak nadal nie’t W porównaniu z mikrofonem wysokiej jakości. Nagrywanie na twoim smartfonie wygrane’t Zapewnij wysoki wskaźnik dokładności, więc będziesz musiał wyczyścić ostateczną transkrypcję.

Oto instrukcje krok po kroku, w jaki sposób transkrybować dźwięk do tekstu za pomocą smartfona:

1. Otwórz Aplikacja przetwarzania słów na smartfonie.
2. Na klawiaturze smartfona wybierz Mikrofon przycisk i zacznie nagrywać.
3. Przytrzymaj telefon w pobliżu komputera lub innego urządzenia i Odtwarzanie wideo. Twój telefon automatycznie zamieni dźwięk w tekst.

Plusy vs. Wady transkryptów DIY

Profesjonaliści

• Bardziej przyjazny dla budżetu
• Dobre dla krótszych treści

Cons

• Czasochłonne do stworzenia
• Pracochłonne
• Niski poziom dokładności

Usługi transkrypcyjne

Inną opcją transkrypcji treści audio do tekstu jest użycie usługi transkrypcyjnej strony trzeciej. Jeśli ty’Szukam wysokiej jakości, dokładnych transkryptów, jest to zdecydowanie właściwa droga!

3Play Media oferuje 3-etapowy proces transkrypcji który wykorzystuje zarówno technologię, jak i ludzkich transkrypcji, zapewniając 99.6% wskaźnik dokładności. Gdy plik audio składa się z trudnej treści, ma szum w tle lub zawiera akcenty, wskaźnik dokładności maleje. ASR zazwyczaj zapewnia dokładność 60-70%, więc stosowanie ludzkich transkrypcji odróżnia 3 oddział od innych opcji transkrypcji.

Nasza opatentowana technologia wykorzystuje ASR do automatycznego wytwarzania zgrubnego transkrypcji, co jest przydatne do tworzenia dokładnych czasów, nawet jeśli słowa i gramatyka są nieprawidłowe. Korzystając z zastrzeżonego oprogramowania, nasi transkrypcjoniści przechodzą i edytują transkrypcję. Wszyscy nasi transkrypcjoniści przechodzą rygorystyczny proces certyfikacji i mają mocne zrozumienie gramatyki angielskiej, co jest ważne dla zrozumienia wszystkich niuansów twoich treści. Po procesie edytowania pliku przechodzi ostateczną recenzję o nazwie Aktypus Assurance. Twój plik jest recenzowany przez naszych najlepszych redaktorów, którzy zapewniają, że transkrypcja jest praktycznie bezbłędna.

Jedną z funkcji, którą oferujemy również, jest 3Play Interactive transkrypt. Ta funkcja umożliwia użytkownikom interakcję z filmem, przeszukując wideo, nawigując, klikając dowolne słowo i czytając wraz z dźwiękiem. Interaktywne transkrypty sprawiają, że Twoje treści są bardziej dostępne i poprawiają wrażenia użytkownika.

Plusy vs. Wady korzystania z usługi transkrypcyjnej

Profesjonaliści

• Wysoki poziom dokładności
• Bardziej wiarygodne
• Obsługuje duże ilości treści
• Dostęp do unikalnych narzędzi
• Dostęp do wykwalifikowanego personelu

Cons

• Droższe

Najlepsze praktyki transkrypcji

Teraz, gdy lepiej rozumiesz ręczną transkrypcję w porównaniu z usługą transkrypcyjną, możesz podjąć świadomą decyzję. Bez względu na to, którą opcję wybierzesz, to’jest ważne, aby wiedzieć, jak to zrobić Wykorzystaj najlepiej z transkryptów.

• Gramatyka i interpunkcja: Upewnij się, że w transkrypcji nie ma błędów, aby łatwo go odczytać.
• Identyfikacja głośników: Użyj etykiet głośników, aby zidentyfikować, kto mówi, zwłaszcza gdy istnieje wiele głośników.
• Dźwięki bez mowy: Komunikuj dźwięki inne niż mowa w transkryptach. Są one zazwyczaj oznaczone [nawiasów kwadratowych].
• Dosłownie: Transkrybuj treść tak blisko dosłownie. Pomiń słowa wypełniające, takie jak “um” Lub “tak jak” Chyba że oni’celowo zawarte w dźwięku.

Chcę się dowiedzieć więcej?

Ten post został pierwotnie opublikowany przez Samantha Sauld w dniu 30 sierpnia 2018 r. I od tego czasu został zaktualizowany.

Transkrybuj mowę do tekstu za pomocą Google Cloud Console

Ten QuickStart wprowadza Cię w konsolę mowy w chmurze. W tym QuickStart utworzysz i udoskonalisz transkrypcję i nauczysz się korzystać z tej konfiguracji z interfejsem API mowy do tekstu dla własnych aplikacji.

Aby dowiedzieć się, jak wysyłać żądania i odbierać odpowiedzi za pomocą interfejsu API REST zamiast konsoli, zobacz stronę przed rozpoczęciem.

Zanim zaczniesz

Zanim zaczniesz korzystać z konsoli mowy do tekstu, musisz włączyć interfejs API w konsoli Google Cloud Platform. Poniższe kroki prowadzą przez następujące działania:

• Włącz mowę do tekstu w projekcie.
• Upewnij się, że rozliczenie jest włączone dla mowy do tekstu.

Skonfiguruj projekt Google Cloud

1. Zaloguj się do Google Cloud Console
2. Przejdź do strony selektora projektu Możesz wybrać istniejący projekt lub utworzyć nowy. Aby uzyskać więcej informacji na temat tworzenia projektu, zobacz dokumentację Google Cloud Platform.
3. Jeśli utworzysz nowy projekt, zostaniesz poproszony o połączenie konta rozliczeniowego do tego projektu. Jeśli używasz wcześniej istniejącego projektu, upewnij się, że masz włączone rozliczenie. Dowiedz się, jak potwierdzić, że rozliczenie jest włączone dla Twojego projektuNotatka: Musisz włączyć faktury, aby używać interfejsu API mowy do tekstu, jednak nie zostaniesz obciążony, chyba że przekroczysz bezpłatny kwot. Więcej informacji można znaleźć na stronie wyceny.
4. Po wybraniu projektu i połączeniu go z konto fakturowania możesz włączyć interfejs API mowy do tekstu. Idź do Wyszukaj produkty i zasoby pasek u góry strony i wpisz się “przemówienie”.
5. Wybierz API mowy w chmurze Z listy wyników.
6. Aby wypróbować mowę do tekstu bez łączenia go z projektem, wybierz Wypróbuj ten API opcja. Aby włączyć interfejs API mowy do tekstu do użytku z projektem, kliknij WŁĄCZAĆ.

Utwórz transkrypcję

Użyj konsoli Google Cloud, aby utworzyć nową transkrypcję:

Konfiguracja dźwięku

1. Otworzyć Mowa do tekstu Przegląd.
2. Kliknij Utwórz transkrypcję.
   • Jeśli po raz pierwszy korzystasz z konsoli, zostaniesz poproszony o wybór miejsca w chmurze, aby przechowywać konfiguracje i transkrypcje.
3. w Utwórz transkrypcję strona, Prześlij plik dźwięku źródłowego. Możesz wybrać plik, który jest już zapisany w pamięci w chmurze lub przesłać nowy do określonego miejsca docelowego przechowywania w chmurze.
4. Wybierz przesłane pliki audio typ kodowania.
5. Określić to próbna stawka.
6. Kliknij Kontynuować. Zostaniesz zabrany do Opcje transkrypcji.

Opcje transkrypcji

1. Wybierz kod językowy Twojego dźwięku źródłowego. To jest język wypowiadany w nagraniu.
2. Wybierz Model transkrypcji chciałbyś użyć w pliku. Domyślna opcja jest wstępnie wybrana i ogólnie nie jest potrzebna żadna zmiana, ale dopasowanie modelu do rodzaju dźwięku może powodować wyższą dokładność. Zauważ, że koszty modelu są różne.
3. Kliknij Kontynuować. Zostaniesz zabrany do Adaptacja modelu.

Adaptacja modelu (opcjonalnie)

Jeśli Twój dźwięk źródłowy zawiera takie rzeczy, jak rzadkie słowa, nazwy własne lub zastrzeżone terminy i masz problemy z rozpoznawaniem, adaptacja modelowa może pomóc.

1. Sprawdzać Włącz adaptację modelu.
2. Jednorazowy zasób adaptacyjny.
3. Dodaj odpowiednie zwroty i daj im Wartość zwiększania.
4. W lewej kolumnie kliknij Składać Aby stworzyć transkrypcję.

Przejrzyj swoją transkrypcję

W zależności od wielkości pliku audio transkrypcja może zająć od minut do godzin, aby utworzyć. Po utworzeniu transkrypcji jest gotowy do recenzji. Sortowanie stołu według znacznika czasu może pomóc w łatwo zlokalizowaniu ostatnich transkrypcji.

1. Kliknij na Nazwa transkrypcji, którą chciałbyś przejrzeć.
2. Porównaj Transkrypcja tekst do pliku audio
3. Jeśli chcesz wprowadzić zmiany, kliknij Konfiguracja ponownego wykorzystania. To doprowadzi cię do Utwórz transkrypcję przepływ z tymi samymi opcjami wstępnie wybranymi, umożliwiając zmianę kilku rzeczy, utworzenie nowej transkrypcji i porównanie wyników.

Co dalej

• Ćwicz transkrybowanie krótkich plików audio.
• Dowiedz się, jak poradzić sobie z długimi plikami audio do rozpoznawania mowy.
• Dowiedz się, jak transkrybować dźwięk przesyłania strumieniowego, jak z mikrofonu.
• Zacznij od mowy do tekstu w wybranym języku, używając biblioteki klientów mowy do tekstu.
• Przejdź przez przykładowe aplikacje.
• Aby uzyskać najlepszą wydajność, dokładność i inne wskazówki, zobacz dokumentację najlepszych praktyk.

Wyślij opinię

O ile nie wspomniano inaczej, treść tej strony jest licencjonowana w ramach Creative Commons Actribution 4.0 Licencja, a próbki kodów są licencjonowane na podstawie Apache 2.0 Licencja. Aby uzyskać szczegółowe informacje, zobacz zasady witryny Google Developers. Java jest zarejestrowanym znakiem towarowym Oracle i/lub jej podmiotów stowarzyszonych.

Ostatnia aktualizacja 2023-05-16 UTC.