使用谷歌Cloud Speech API将语音转换为文字

CSDN广告邮件太多了，邮箱已经屏蔽了CSDN，留言请转SegmentFault：https://segmentfault.com/a/1190000013591768

Google Cloud Speech API是由谷歌云平台提供的，利用机器学习技术将语音转换为文字的服务。这个API能识别超过80种语言和语言变体，包括中文、日语、英语甚至广东话。这次，我总结了使用Google Cloud Speech API的基本流程。

花5秒钟试用Cloud Speech API吧

在Cloud Speech API概览页，我们可以体验将语音转换为文字的效果。只需要选择一种语言即可开始使用，甚至不需要登录谷歌账号。（加载出来需要一些时间）

在项目中添加API

使用Cloud Speech API需要登录谷歌云平台并申请免费试用，申请试用谷歌云平台的流程可以参考这篇文章 。

我们假定你能够使用谷歌云平台，并且已经创建了一个项目，下面介绍如何把Cloud Speech API添加到项目中。

点击控制台左上角的 ☰ 打开导航栏，找到 API和服务 → 库 。

在搜索框中键入 Speech 即可找到 Cloud Speech API 。

打开API页面，点击 启用 。

创建API密钥

回到之前的页面，选择 凭据 → 创建凭据 → API密钥 。

马上 API密钥 就创建好了，虽然随时都能在这个页面查询，但为了方便起见，将其记录下来备用吧，很快就要用到它。

限制密钥 选项默认情况下应该是“无”，这次只是试着使用API，保持默认“无”即可。

准备声音文件

虽然有些麻烦，但是接下来我们要准备声音文件。Cloud Speech API没办法直接识别mp3、mp4中的声音，我们需要准备FLAC、WAV格式的音频。而且仅支持单声道音频，所以一般都需要转码之类的工作。

详细的声音文件要求参见：AudioEncoding | Google Cloud Speech API

基于上述情况，我读了下面这段文稿，并制成了FLAC格式（单声道）的声音文件。是用手机麦克风进行录音的，质量一般(´・ω・｀) 是否可以正确识别呢？

voice.flac

寄蜉蝣于天地，渺沧海之一粟。哀吾生之须臾，羡长江之无穷。挟飞仙以遨游，抱明月而长终。

《赤壁赋》

将声音文件上传到Cloud Storage

如果要使用Cloud Speech API识别本地声音文件，必须将音频文件编码为base64，然后嵌入到稍后将创建的json请求文件中，这虽然可行但并不方便。如果你想使用这种方法，请参考：Embedding Base64 encoded audio | Google Cloud Speech API

我们将使用另一种方案，将声音文件上传到Google Cloud Storage。

点击控制台左上角的 ☰ 打开导航栏，找到 存储 → 浏览器 。

点击 创建存储分区 。

输入合适的 存储分区名称，后文将要用到。默认存储类别选择"Multi-Regional"，Multi-Regional位置选择"亚洲"。点击 创建 。

点击 上传文件 ，上传声音文件，勾选 公开链接 。（该音频将能被任何人访问，请注意）

另外，请记住上传文件的 文件名 ，后文将用到。

将语音转换为文字

终于，可以使用Cloud Speech API将语音转换为文字了。

首先，我们新建一个json格式的请求文件（request.json）。文件名无特殊要求。

{
  "config":
  {
    "encoding":"FLAC",
    "languageCode":"cmn-Hans-CN"
  },

  "audio":
  {
    "uri":"gs://存储分区名称/文件名"
  }
}

注意3个地方：

cmn-Hans-CN ：表示识别语言为中文普通话。常用的还有American English (en-US)、British English (en-GB)、日本語(ja-JP)、廣東話(yue-Hant-HK)。更多语言支持可以在Language Support | Google Cloud Speech API查询。

存储分区名称 ：刚才是否有记录下来呢？如果没有记住可以点击控制台左上角的 ☰ 打开导航栏，找到 存储 → 浏览器 查看。

文件名 ：存储在Cloud Storage中的音频文件名，可以在存储分区中查看。

最后，我们使用curl命令（Windows平台需另外安装）向Cloud Speech API发出请求。

cd到json请求文件所在目录。

curl -H “Content-Type: application/json” -d @request.json “https://speech.googleapis.com/v1beta1/speech:syncrecognize?key=API密钥”

注意2个加粗处：

request.json ：json请求文件的文件名。

API密钥 ：替换为你记录下来的API密钥。如果没有记下来，可以点击控制台左上角的 ☰ 打开导航栏，找到 API和服务 → 凭据 查看。

得到结果：

可以看到返回结果也是json格式的数据。"confidence"是置信度，越接近1准确性越高。

小结

第一次尝试语音识别服务，得到结果的时候很开心。或许有人会惊讶上例语音识别的准确性，但正如文章开头所说“Cloud Speech API是利用机器学习技术将语音转换为文字的服务”，像上例中这样的俗语、名著甚至是歌词，准确率都出奇地高。如果你录制一段日常语音交给Cloud Speech API识别，结果就不那么满意了。

最后，这次只是使用curl命令在LX终端获得了识别结果，下次将会总结如何在编程语言中使用Cloud Speech API。

感谢你阅读文章！