Google Cloud Speech-to-Text APIでマイク入力からストリーミング音声認識をする

6299 ワード
Python SpeechToText Windows gcp 音声認識 Python テキストリンク

はじめに

2018年に以下の記事を投稿しました。

おかげさまで結構なアクセス数や「いいね」をいただいたのですが、先日「同じ手順を踏んでもエラーが出て動作しない」とコメントいただきました。
調べてみたところ、コードでインポートしているライブラリ（grpc-google-cloud-speech-v1beta1）が2019年4月ごろにサポート終了していることが原因なようです。
ということで、マイク入力でストリーミング音声認識を行う方法を再度記事としてまとめました。

動作環境

以下の環境で試しています

GCPでプロジェクトを作成したり、gcloudの初期設定をしたり、Pythonのセットアップしたり、必要なパッケージをpipでインストールしたりは、前述の記事とほぼ変わりませんので参考にしてください。

Speech APIとCloud Speech-to-Textは別物？？

GCPのコンソールから「speech」で検索すると、以下のように3種類のAPIが見つかります。

以前は「Speech API」を使っていたのですが、どうやら現在は非公開になっているようで、「Cloud Speech-to-Text API」に名称も機能も変わっているようです。
今回はこちらを使うのでこれを有効化します。
もう1つの「Cloud Text-to-Speech API」は文字を音声にするAPIなので今回は説明しません。

公式のサンプルコードで試す

公式サイトに Pythonでストリーミング音声認識するためのサンプルコード があります
まずはこれをコピペして適当な名前（この記事ではtranscribe_streaming_mic.py）と名前をつけてしてローカル（この記事ではCドライブ直下）に保存します。
このままだと英語用になってますので、途中の

language_code = 'en-US'

となっている部分を

language_code = 'ja-JP'

と日本語を認識する設定になるように書き換えます。

これでコマンドプロンプトからstreamオプションをつけて実行してみます。

console
c:\>transcribe_streaming_mic.py stream

Traceback (most recent call last):
  File "C:\transcribe_streaming_mic.py", line 7, in <module>
    from google.cloud.speech import enums
ImportError: cannot import name 'enums'

enumsがインポートできないというエラーが出てしまいました（汗・・

speech-v1を使うように変更

pipでgrpc.google.cloud.speech-v1を追加インストールします。

pip install grpc.google.cloud.speech-v1

そして、サンプルコードで以下のようにライブラリをインポートしている部分があります。

from google.cloud import speech
from google.cloud.speech import enums
from google.cloud.speech import types

これを以下のようにspeech_v1をインポートするように書き換えます。

from google.cloud import speech_v1 as speech
from google.cloud.speech_v1 import enums
from google.cloud.speech_v1 import types

これで準備が整ったので再度実行してます。

console
c:\>transcribe_streaming_mic.py stream
（中略）
warnings.warn(_CLOUD_SDK_CREDENTIALS_WARNING)

今度は認証のエラーが出てしまいました（汗・・

サービスアカウントキーの作成

GCPコンソールの「APIとサービス ＞ 認証情報」からサービスアカウントキーを作成します。

サービスアカウントキーに適当な名前（この記事ではspeech-to-text）をつけます。
役割は何が最低限必要かよくわからなかったのですが、Projectの「閲覧者」を与えれば結果的に動作しました。

これでjsonファイルを作成します。（この記事ではcredential.jsonとしてCドライブ直下に保存します）

そしてコマンドプロンプトから、環境変数としてこのjsonを指定します。

set GOOGLE_APPLICATION_CREDENTIALS=C:\credential.json

準備完了

こんどこそ準備が整ったので実行します。
PCのマイクに向かって喋ると認識された文字が出てくるはずです。

参考