Связаться с намиПодключиться

Асинхронное распознавание аудиофайлов в формате OggOpus в API v2

Статья создана
Улучшена
Обновлена 27 сентября 2024 г.

Ниже рассмотрены примеры асинхронного распознавания речи из аудиофайла с помощью API v2 SpeechKit. В примерах заданы параметры:

  • язык — русский;
  • формат аудиопотока — OggOpus с расширением файла OPUS;
  • остальные параметры оставлены по умолчанию.

Вы можете сформировать и отправить запрос на распознавание речи с помощью утилиты cURL или Python-скрипта.

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

Перед началом работы

  1. Создайте бакет и загрузите в него аудиофайл, который вы хотите распознать.

  2. Создайте сервисный аккаунт.

    Важно

    Асинхронно распознать аудиофайлы можно только от имени сервисного аккаунта. Не используйте для этого другие аккаунты в Yandex Cloud.

  3. Назначьте сервисному аккаунту роли storage.uploader и ai.speechkit-stt.user на каталог, в котором вы ранее создали бакет.

  4. Получите IAM-токен или API-ключ для созданного сервисного аккаунта.

Если у вас нет аудиофайла формата OggOpus, вы можете скачать пример файла.

Выполните распознавание с помощью API

Важно

Для двухканальной OggOpus-записи не нужно указывать количество каналов с помощью параметра audioChannelCount.

  1. Получите ссылку на аудиофайл в Object Storage.

  2. Создайте файл, например body.json, и добавьте в него код:

    {
    "config": {
        "specification": {
            "languageCode": "ru-RU"
        }
    },
    "audio": {
        "uri": "<ссылка_на_аудиофайл>"
    }
}

    Где:

    • languageCode — язык, для которого будет выполнено распознавание.

    • uri — ссылка на аудиофайл в Object Storage. Пример ссылки: https://storage.yandexcloud.net/speechkit/speech.opus.

      Для бакета с ограниченным доступом в ссылке присутствуют дополнительные query-параметры (после знака ?). Эти параметры не нужно передавать в SpeechKit — они игнорируются.

    Формат аудиопотока указывать не нужно, так как OggOpus — формат по умолчанию.

    Примечание

    Не передавайте параметр audioChannelCount, чтобы указать количество аудиоканалов. Файлы формата OggOpus уже содержат информацию о количестве каналов.

  3. Выполните созданный файл:

    export IAM_TOKEN=<IAM-токен_сервисного_аккаунта> && \
curl \
  --request POST \
  --header "Authorization: Bearer ${IAM_TOKEN}" \
  --data "@body.json" \
  https://transcribe.api.cloud.yandex.net/speech/stt/v2/longRunningRecognize

    Где IAM_TOKEN — IAM-токен сервисного аккаунта.

    Пример результата:

    {
    "done": false,
    "id": "e03sup6d5h1q********",
    "createdAt": "2019-04-21T22:49:29Z",
    "createdBy": "ajes08feato8********",
    "modifiedAt": "2019-04-21T22:49:29Z"
}

    Сохраните идентификатор (id) операции распознавания, полученный в ответе.

  4. Подождите, пока закончится распознавание. Одна минута аудио распознается примерно за 10 секунд.

  5. Отправьте запрос на получение информации об операции:

    curl \
  --header "Authorization: Bearer ${IAM_TOKEN}" \
  https://operation.api.cloud.yandex.net/operations/<идентификатор_операции_распознавания>

    Пример результата:

    {
 "done": true,
 "response": {
  "@type": "type.googleapis.com/yandex.cloud.ai.stt.v2.LongRunningRecognitionResponse",
  "chunks": [
   {
    "alternatives": [
     {
      "text": "твой номер 212-85-06",
      "confidence": 1
     }
    ],
    "channelTag": "1"
   }
  ]
 },
 "id": "e03sup6d5h1q********",
 "createdAt": "2019-04-21T22:49:29Z",
 "createdBy": "ajes08feato8********",
 "modifiedAt": "2019-04-21T22:49:36Z"
}

  1. Установите пакет requests с помощью менеджера пакетов pip:

    pip install requests

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

    # -*- coding: utf-8 -*-

import requests
import time
import json

# Укажите ваш IAM-токен и ссылку на аудиофайл в Object Storage.
key = '<IAM-токен_сервисного_аккаунта>'
filelink = '<ссылка_на_аудиофайл>'

POST ='https://transcribe.api.cloud.yandex.net/speech/stt/v2/longRunningRecognize'

body ={
    "config": {
        "specification": {
            "languageCode": "ru-RU"
        }
    },
    "audio": {
        "uri": filelink
    }
}

header = {'Authorization': 'Bearer {}'.format(key)}

# Отправьте запрос на распознавание.
req = requests.post(POST, headers=header, json=body)
data = req.json()
print(data)

id = data['id']

# Запрашивайте на сервере статус операции, пока распознавание не будет завершено.
while True:

    time.sleep(1)

    GET = "https://operation.api.cloud.yandex.net/operations/{id}"
    req = requests.get(GET.format(id=id), headers=header)
    req = req.json()

    if req['done']: break
    print("Not ready")

# Покажите полный ответ сервера в формате JSON.
print("Response:")
print(json.dumps(req, ensure_ascii=False, indent=2))

# Покажите только текст из результатов распознавания.
print("Text chunks:")
for chunk in req['response']['chunks']:
    print(chunk['alternatives'][0]['text'])

    Где:

    • key — IAM-токен сервисного аккаунта;
    • filelink — ссылка на аудиофайл в Object Storage.

  3. Выполните созданный файл:

    python3 test.py

Решение проблем

Если в ответе возвращается пустота, пустой файл или ошибка Invalid audio received, проверьте кодек, которым закодирован ваш аудиофайл. Чтобы файл был корректно распознан, недостаточно изменить его расширение.

Чтобы конвертировать файл с расширением OGG в поддерживаемый формат OggOpus, воспользуйтесь утилитой FFmpeg:

ffmpeg -i audio.ogg -c:a libopus -b:a 65536 audio_new.ogg

См. также

Предыдущая
Асинхронное распознавание формата LPCM — API v2
Следующая
Регулярное асинхронное распознавание аудиофайлов — API v2