memo: podcastをgoogle speech apiで英語スクリプトの作成

英語のPodcastを聞いていると、聞き取りが難しいときとかがある。 英語のスクリプトがあると便利なので、google speech apiをつかってどの程度のものができるか試してみる。

参考: Use the Google Cloud Speech API to transcribe a podcast – vxlabs

Podcastは.wavやmp3だと思うので、これを.flacに変換する。とりあえず下記サイトで変換する。

https://online-audio-converter.com/ja/

flacにしたら、Google Cloud Storage上にアップロードしておく。

Google Speech APIの変換用メタデータを準備する(async-request.json)。

{
  "config": {
      "encoding": "FLAC",
      "sampleRateHertz": 16000,
      "language_code": "en-US"
  },
  "audio":{
    "uri":"gs://podcast/podcast.flac"
  }
}

Curlで変換を実行する。事前にgcloudのコマンド設定やgoogle speech apiをenableにしておくのは忘れずに。

curl -X POST \
     -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
     -H "Content-Type: application/json; charset=utf-8" \
     --data @async-request.json "https://speech.googleapis.com/v1/speech:longrunningrecognize"

IDが帰ってくるのでこれを元に進捗を確認する。

{
  "name": "5525841372631663248"
}

下記のように進捗を確認できる。

curl -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \  
    -H "Content-Type: application/json; charset=utf-8" \
    "https://speech.googleapis.com/v1/operations/5525841372631663248"
{
  "name": "5525841372631663248",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeMetadata",
    "progressPercent": 73,
    "startTime": "2018-04-09T14:42:58.535933Z",
    "lastUpdateTime": "2018-04-09T14:50:34.162436Z"
  }
}

終わると下記のようなレスポンスを返すので、一旦ローカルに書き出しておく。 results.alternatives.transcriptに認識結果が掲載される。

curl -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
    -H "Content-Type: application/json; charset=utf-8" \
    "https://speech.googleapis.com/v1/operations/5525841372631663248"
{
  "name": "5525841372631663248",
  "metadata": {
    "@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeMetadata",
    "progressPercent": 100,
    "startTime": "2018-04-09T14:42:58.535933Z",
    "lastUpdateTime": "2018-04-09T14:53:18.541552Z"
  },
  "done": true,
  "response": {
    "@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeResponse",
    "results": [
      {
        "alternatives": [
          {
            "transcript": "hello and welcome to the supp...",
            "confidence": 0.9129662
          }
        ]
      },

curl -H "Authorization: Bearer "$(gcloud auth application-default print-access-token) \
    -H "Content-Type: application/json; charset=utf-8" \
    "https://speech.googleapis.com/v1/operations/5525841372631663248" > script.json

ローカルに書き出したjsonを必要なスクリプトの部分だけ抜き出す。

import json

with open('./script.json') as f:
    # results: a list of dicts, each with 'alternatives', which is a list of transcripts
    res = json.load(f)['response']['results']

num_like = 0
num_words = 0
for r in res:
    alts = r['alternatives']
    # ensure that we only have one alternative per result
    assert len(alts) == 1
    # break into lowercase words
    print(alts[0]['transcript'] + "\n")

$ python script.py > script.txt

流れが掴めたので、一括で全部できるようにしたいが、とりあえずメモ。