Связаться с намиПодключиться

Синхронное распознавание речи с помощью Python SDK

Статья создана
Обновлена 13 августа 2024 г.

Ниже приведен пример синхронного распознавания речи из аудиофайла с помощью Python SDK SpeechKit. В примере заданы параметры:

Для работы с Python SDK нужен пакет yandex-speechkit.

Аутентификация выполняется от имени сервисного аккаунта с помощью API-ключа или IAM-токена. Подробнее об аутентификации в API SpeechKit.

Перед началом работы

  1. Создайте сервисный аккаунт и назначьте ему роль ai.speechkit-stt.user.
  2. Для сервисного аккаунта получите и сохраните API-ключ.
  3. Скачайте пример аудиофайла для распознавания или сгенерируйте свой.

Создайте приложение для синхронного распознавания речи

  1. Установите пакет yandex-speechkit с помощью менеджера пакетов pip:

    pip install yandex-speechkit

    Установка проверялась на Python 3.9. Минимально допустимую версию Python см. на сайте SDK.

    Если возникает конфликт версий пакета grpcio-tools, см. раздел Решение конфликта версий при установке Python SDK.

  2. Создайте файл test.py и добавьте в него код:

    from argparse import ArgumentParser
from speechkit import model_repository, configure_credentials, creds
from speechkit.stt import AudioProcessingType

# Аутентификация через API-ключ.
configure_credentials(
   yandex_credentials=creds.YandexCredentials(
      api_key='<API-ключ>'
   )
)

def recognize(audio):
   model = model_repository.recognition_model()

   # Задайте настройки распознавания.
   model.model = 'general'
   model.language = 'ru-RU'
   model.audio_processing_type = AudioProcessingType.Full

   # Распознавание речи в указанном аудиофайле и вывод результатов в консоль.
   result = model.transcribe_file(audio)
   for c, res in enumerate(result):
      print('=' * 80)
      print(f'channel: {c}\n\nraw_text:\n{res.raw_text}\n\nnorm_text:\n{res.normalized_text}\n')
      if res.has_utterances():
         print('utterances:')
         for utterance in res.utterances:
            print(utterance)

if __name__ == '__main__':
   parser = ArgumentParser()
   parser.add_argument('--audio', type=str, help='audio path', required=True)

   args = parser.parse_args()

   recognize(args.audio)

    Где:

    • api_key — API-ключ для сервисного аккаунта.

    • audio — путь до файла для записи аудио.

    • model — модель распознавания.

    • language — язык, для которого будет выполнено распознавание.

    • audio_processing_type — способ обработки аудио.

      В Python SDK не поддержаны возможности потокового и асинхронного распознавания, но их можно просимулировать. Для этого в файле test.py, в параметре audio_processing_type, укажите значение:

      • AudioProcessingType.Stream — для потокового распознавания;
      • AudioProcessingType.Full — для асинхронного распознавания.

  3. Выполните созданный файл:

    python3 test.py --audio speech.pcm

    Где --audio — путь к аудиофайлу, который необходимо распознать.

    Результат содержит распознанную речь:

    channel: 0

raw_text:
я яндекс спичкит я могу превратить любой текст в речь теперь и вы можете

norm_text:
Я Яндекс Спичкит, я могу превратить любой текст в речь, теперь и вы можете.

utterances:
- Я Яндекс Спичкит, я могу превратить любой текст в речь, теперь и вы можете. [0.419, 6.379]

См. также

Предыдущая
Аутентификация в Python SDK
Следующая
Синтез Python SDK