谷歌语音转文字音频转录

GoogleSpeechToTextLoader 允许使用 Google Cloud 语音转文字 API 对音频文件进行转录，并将转录的文本加载到文档中。

要使用它，您应该已安装了 google-cloud-speech Python 包，并且拥有启用了 语音转文字 API 的 Google Cloud 项目。

• 将大型模型的能力带入谷歌云语音 API

安装与设置

首先，您需要安装 google-cloud-speech Python 包。

您可以在 语音转文字客户端库 页面找到更多信息。

按照谷歌云文档中的 快速入门指南 创建项目并启用 API。

%pip install --upgrade --quiet langchain-google-community[speech]

示例

GoogleSpeechToTextLoader 必须包括 project_id 和 file_path 参数。音频文件可以指定为谷歌云存储 URI (gs://...) 或本地文件路径。

加载器仅支持同步请求，每个音频文件的 限制为 60 秒或 10MB。

from langchain_google_community import GoogleSpeechToTextLoader
project_id = "<PROJECT_ID>"
file_path = "gs://cloud-samples-data/speech/audio.flac"
# 或本地文件路径: file_path = "./audio.wav"
loader = GoogleSpeechToTextLoader(project_id=project_id, file_path=file_path)
docs = loader.load()

注意：调用 loader.load() 会阻塞，直到转录完成。

转录的文本可在 page_content 中找到：

docs[0].page_content

"布鲁克林大桥多大年纪了？"

metadata 包含了完整的 JSON 响应和更多的元信息：

docs[0].metadata

{
  'language_code': 'en-US',
  'result_end_offset': datetime.timedelta(seconds=1)
}

识别配置

您可以指定 config 参数来使用不同的语音识别模型和启用特定功能。

参考 语音转文字识别器文档 和 RecognizeRequest API 参考，了解如何设置自定义配置。

如果不指定 config，将自动选择以下选项：

• 模型：Chirp 通用语音模型

• 语言：en-US

• 音频编码：自动检测

• 自动标点：已启用

from google.cloud.speech_v2 import (
    AutoDetectDecodingConfig,
    RecognitionConfig,
    RecognitionFeatures,
)
from langchain_google_community import GoogleSpeechToTextLoader
project_id = "<PROJECT_ID>"
location = "global"
recognizer_id = "<RECOGNIZER_ID>"
file_path = "./audio.wav"
config = RecognitionConfig(
    auto_decoding_config=AutoDetectDecodingConfig(),
    language_codes=["en-US"],
    model="long",
    features=RecognitionFeatures(
        enable_automatic_punctuation=False,
        profanity_filter=True,
        enable_spoken_punctuation=True,
        enable_spoken_emojis=True,
    ),
)
loader = GoogleSpeechToTextLoader(
    project_id=project_id,
    location=location,
    recognizer_id=recognizer_id,
    file_path=file_path,
    config=config,
)