Google Cloud Speech-to-Text API とGoogle Cloud Strageの組み合わせ
久しぶりの記事の更新になるなぁ、、、
Google Cloud Strageに音声をアップロードしてみたけど、正直イマイチ。 英語だったらもっと良いのかもしれないけど、日本語への変換に関しては正直な所、Notta等のほかのサービスに劣る気がします。
なので、そこまでがっつり記事を書くつもりはないです。
せっかくなので、動画から一気通貫でテキストを抽出するコードを下に載せていくよ。
データをCloudストレージに置いたままだと料金がかかり続けるので、アップロード後 すぐ消しています。
import subprocess
import os
from google.cloud import storage, speech
import io
# Google Cloud認証ファイルの設定
os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = r".\cellular-axon-432906-*******.json" # ここで認証情報を設定 あなたの設定ファイルのファイル名を入れてください
# Step 1: MP4ファイルからWAVファイルを抽出する関数
def extract_audio_from_mp4(mp4_file_path, wav_file_path):
"""Extracts audio from an MP4 file and saves it as a WAV file."""
try:
# subprocessを使用してffmpegコマンドを実行
subprocess.run(
["ffmpeg", "-i", mp4_file_path, "-q:a", "0", "-map", "a", wav_file_path],
check=True
)
print(f"Audio extracted and saved to {wav_file_path}")
except subprocess.CalledProcessError as e:
print(f"An error occurred: {e}")
# Step 2: 抽出されたWAVファイルをモノラルに変換する関数
def convert_to_mono(input_file, output_file):
"""Converts a stereo audio file to mono using ffmpeg."""
try:
# subprocessを使用してモノラルに変換
subprocess.run(
["ffmpeg", "-i", input_file, "-ac", "1", output_file],
check=True
)
print(f"Converted {input_file} to mono and saved as {output_file}")
except subprocess.CalledProcessError as e:
print(f"An error occurred: {e}")
# Step 3: Google Cloud Storageにファイルをアップロードする関数
def upload_to_gcs(bucket_name, source_file_name, destination_blob_name):
"""Uploads a file to Google Cloud Storage."""
storage_client = storage.Client()
bucket = storage_client.bucket(bucket_name)
blob = bucket.blob(destination_blob_name)
blob.upload_from_filename(source_file_name)
gcs_uri = f"gs://{bucket_name}/{destination_blob_name}"
print(f"File {source_file_name} uploaded to {gcs_uri}.")
return gcs_uri
# Step 4: Google Cloud Speech-to-Textを使用してGCS上の音声を文字起こしする関数
def transcribe_gcs(gcs_uri):
"""Transcribes the audio file stored in Google Cloud Storage using Google Cloud Speech-to-Text."""
client = speech.SpeechClient()
audio = speech.RecognitionAudio(uri=gcs_uri)
config = speech.RecognitionConfig(
encoding=speech.RecognitionConfig.AudioEncoding.LINEAR16,
sample_rate_hertz=44100,
language_code="ja-JP" # 日本語での文字起こしを指定
)
operation = client.long_running_recognize(config=config, audio=audio)
print("Waiting for operation to complete...")
response = operation.result(timeout=90000) # 長時間処理がかかることを想定して90秒のタイムアウトを設定
transcription = ""
for result in response.results:
transcription += result.alternatives[0].transcript + "\n"
return transcription
# Step 5: ローカルに文字起こし結果を保存する関数
def save_transcription_to_file(transcription, file_name):
"""Saves the transcription to a local text file."""
with open(file_name, "w", encoding="utf-8") as file:
file.write(transcription)
print(f"Transcription saved to {file_name}.")
# Step 6: GCSからアップロードしたファイルを削除する関数
def delete_from_gcs(bucket_name, blob_name):
"""Deletes a file from Google Cloud Storage."""
storage_client = storage.Client()
bucket = storage_client.bucket(bucket_name)
blob = bucket.blob(blob_name)
blob.delete()
print(f"File gs://{bucket_name}/{blob_name} deleted from GCS.")
# 一連の音声ファイル処理を行う関数
def process_audio_file(wav_file_path, bucket_name, output_text_file):
"""Uploads a WAV file to GCS, transcribes it, saves the transcription, and deletes the GCS file."""
blob_name = os.path.basename(wav_file_path)
# Step 1: GCSにWAVファイルをアップロード
gcs_uri = upload_to_gcs(bucket_name, wav_file_path, blob_name)
# Step 2: GCSにアップロードされた音声を文字起こし
transcription = transcribe_gcs(gcs_uri)
# Step 3: 文字起こし結果をローカルファイルに保存
save_transcription_to_file(transcription, output_text_file)
# Step 4: GCSからアップロードした音声ファイルを削除
delete_from_gcs(bucket_name, blob_name)
# 実行例
mp4_file_path = "your_video.mp4" # 元のMP4ファイル
wav_file_path = "output_audio.wav" # 抽出後のWAVファイル
mono_wav_file_path = "output_audio_mono.wav" # モノラル変換後のWAVファイル
bucket_name = "bucket1_mojiokoshi1" # GCSのバケット名
output_text_file = "transcription.txt" # ローカルに保存する文字起こし結果のファイル名
# 音声抽出、モノラル変換、GCSアップロード、文字起こし、削除の一連の処理を実行
extract_audio_from_mp4(mp4_file_path, wav_file_path) # MP4からWAVに抽出
convert_to_mono(wav_file_path, mono_wav_file_path) # WAVをモノラルに変換
process_audio_file(mono_wav_file_path, bucket_name, output_text_file) # 文字起こしプロセスを実行
説明:
extract_audio_from_mp4
この関数では、MP4ファイルから音声をWAV形式で抽出します。使っているのはffmpegというツールで、動画から音声トラックだけを取り出す感じです。動画ファイルに関しては、例えばZoomの録画データなどが想定されます。
convert_to_mono
抽出したWAVファイルを、今度はモノラルに変換します。これもffmpegを使っていて、音声のチャンネルを1（モノラル）に変更します。モノラルにする理由は、音声データを軽くしたり、文字起こしの精度を上げたりするためです。
process_audio_file
この関数では、WAVファイルをGoogle Cloud Storage（GCS）にアップロードして、GoogleのSpeech-to-Textを使って音声を文字に変換します。できたテキストはローカルファイルに保存して、その後、GCSからファイルを削除するという一連の流れを自動化しています。GoogleのAPIを使うことで、精度の高い文字起こしができるのがポイントです。
コメント