Python で音声コンテンツをテキスト形式に変換する方法

開発環境の構築

Python 仮想環境が保存されているディレクトリに移動します。私は、ユーザーのホーム ディレクトリの下の venvs サブディレクトリにディレクトリを保存します。次のコマンドを使用して、このプロジェクトの新しい virtualenv を作成します。

python3 -m venv ~/venvs/pytranscribe

シェル コマンドで virtualenv をアクティブ化します:

source ~/venvs/pytranscribe/bin/activate

上記のコマンドを実行すると、コマンド プロンプトが変更されるため、virtualenv の名前は元のコマンド プロンプト形式で始まります。 $ だけで、次のようになります:

(pytranscribe) $

各 virtualenv の依存関係を使用して、新しいターミナル ウィンドウで virtualenv をアクティブ化する必要があることに注意してください。

これで、アクティブ化された空の仮想環境にリクエスト パッケージをインストールできるようになります。

pip install requests==2.24.0

次のような出力を探して、対応するパッケージが PyPI から正しくインストールされたことを確認します。

(pytranscribe) $ pip install requests==2.24.0  Collecting requests==2.24.0    Using cached https://files.pythonhosted.org/packages/45/1e/0c169c6a5381e241ba7404532c16a21d86ab872c9bed8bdcd4c423954103/requests-2.24.0-py2.py3-none-any.whl  Collecting certifi>=2017.4.17 (from requests==2.24.0)    Using cached https://files.pythonhosted.org/packages/5e/c4/6c4fe722df5343c33226f0b4e0bb042e4dc13483228b4718baf286f86d87/certifi-2020.6.20-py2.py3-none-any.whl  Collecting urllib3!=1.25.0,!=1.25.1,<1.26,>=1.21.1 (from requests==2.24.0)    Using cached https://files.pythonhosted.org/packages/9f/f0/a391d1463ebb1b233795cabfc0ef38d3db4442339de68f847026199e69d7/urllib3-1.25.10-py2.py3-none-any.whl  Collecting chardet<4,>=3.0.2 (from requests==2.24.0)    Using cached https://files.pythonhosted.org/packages/bc/a9/01ffebfb562e4274b6487b4bb1ddec7ca55ec7510b22e4c51f14098443b8/chardet-3.0.4-py2.py3-none-any.whl  Collecting idna<3,>=2.5 (from requests==2.24.0)    Using cached https://files.pythonhosted.org/packages/a2/38/928ddce2273eaa564f6f50de919327bf3a00f091b5baba8dfa9460f3a8a8/idna-2.10-py2.py3-none-any.whl  Installing collected packages: certifi, urllib3, chardet, idna, requests  Successfully installed certifi-2020.6.20 chardet-3.0.4 idna-2.10 requests-2.24.0 urllib3-1.25.10

必要な依存関係がすべてインストールされたので、アプリケーションのコーディングを開始できます。

音声のアップロード、起動、文字起こし

音声をテキストに変換するアプリの構築を開始するために必要なものがすべて揃っています。このアプリケーションは 3 つのファイルで構築します:

1. Upload_audio_file.py: 処理できるように、音声ファイルを AssemblyAI サービス上の安全な場所にアップロードします。オーディオ ファイルがパブリック URL 経由ですでにアクセスできる場合は、この手順を実行する必要はなく、このクイックスタート

2に従ってください。すぐに

3. get_transcription.py: トランスクリプションがまだ処理中の場合はトランスクリプションのステータスを表示し、処理が完了した後にトランスクリプションの結果を表示します

# ファイルを保存するために pytranscribe という新しいディレクトリを作成します私たちが書いているとおりです。次に、新しいプロジェクト ディレクトリに移動します。

mkdir pytranscibe  cd pytranscribe

AssemblyAI API キーを環境変数としてエクスポートする必要もあります。 AssemblyAI アカウントにサインアップして AssemblyAI ダッシュボードにログインし、「API トークン」をコピーします

export ASSEMBLYAI_KEY=your-api-key-here

このキーにアクセスできるようにするには、すべてのコマンド ライン ウィンドウでエクスポート コマンドを使用する必要があることに注意してください。スクリプトを実行している環境でタグを ASSEMBLYAI_KEY としてエクスポートしない場合、作成しているスクリプトは API にアクセスできません。

プロジェクト ディレクトリを作成し、API キーを環境変数として設定したので、オーディオ ファイルを AssemblyAI サービスにアップロードする最初のファイルのコードの作成に進みましょう。

オーディオ ファイルのアップロードと文字起こし

upload_audio_file.py という名前の新しいファイルを作成し、次のコードをそこに追加します。

import argparse  import os  import requests  API_URL = "https://api.assemblyai.com/v2/"  def upload_file_to_api(filename):      """Checks for a valid file and then uploads it to AssemblyAI      so it can be saved to a secure URL that only that service can access.      When the upload is complete we can then initiate the transcription      API call.      Returns the API JSON if successful, or None if file does not exist.      """      if not os.path.exists(filename):          return None      def read_file(filename, chunk_size=5242880):          with open(filename, 'rb') as _file:              while True:                  data = _file.read(chunk_size)                  if not data:                      break                  yield data      headers = {'authorization': os.getenv("ASSEMBLYAI_KEY")}      response = requests.post("".join([API_URL, "upload"]), headersheaders=headers,                               data=read_file(filename))      return response.json()

上記のコードはインポートします。 argparse、os、および request パッケージをこのスクリプトで使用できるようにします。 API_URL は、AssemblyAI サービスのベース URL を持つ定数です。単一パラメータを使用して、upload_file_to_api 関数を定義します。filename は、ファイルへの絶対パスとそのファイル名を含む文字列である必要があります。

関数では、ファイルが存在するかどうかを確認し、リクエストのチャンク転送エンコーディングを使用して、大きなファイルを AssemblyAI API にストリーミングします。

os モジュールの getenv 関数は、getenv を使用したエクスポート コマンドを使用して、コマンド ラインに設定された API を読み取ります。このスクリプトを実行する端末で必ずエクスポート コマンドを使用してください。そうしないと、ASSEMBLYAI_KEY 値が空白になります。疑わしい場合は、echo $ASSEMBLY_AI を使用して、値が API キーと一致するかどうかを確認してください。

Upload_file_to_api 関数を使用するには、次のコード行を Upload_audio_file.py ファイルに追加して、このコードを Python コマンドを使用して呼び出されるスクリプトとして正しく実行できるようにします。コードは ArgumentParser オブジェクトを作成します。これにより、アプリケーションはコマンド ラインから 1 つの引数を取得して、アクセスするオブジェクトを指定し、ファイルを読み取って AssmeblyAI サービスにアップロードできるようになります。

ファイルが存在しない場合、スクリプトはファイルが見つからないことを示すメッセージを表示します。パス内で正しいファイルが見つかり、upload_file_to_api 関数のコードを使用してファイルをアップロードしました。

Python コマンドを使用してコマンド ラインで完全な Upload_audio_file.py スクリプトを実行し、スクリプトを実行します。 FULL_PATH_TO_FILE を、アップロードするファイルへの絶対パス (/Users/matt/devel/audio.mp3 など) に置き換えます。

if __name__ == "__main__":      parser = argparse.ArgumentParser()      parser.add_argument("filename")      args = parser.parse_args()      upload_filename = args.filename      response_json = upload_file_to_api(upload_filename)      if not response_json:          print("file does not exist")      else:          print("File uploaded to URL: {}".format(response_json['upload_url']))

指定した場所でファイルが見つかったと仮定すると、スクリプトがファイルのアップロードを完了すると、一意の URL を含むメッセージが出力されます:

python upload_audio_file.py FULL_PATH_TO_FILE

この URL は公開されていないため、 AssemblyAI サービスによってのみ使用されるため、ファイルとそのコンテンツには、あなたとその転写された API 以外はアクセスできません。

重要な部分は URL の最後の部分であり、この例では 463ce27f-0922-4ea9-9ce4-3353d84b5638 です。文字起こしサービスを開始する次のスクリプトに渡す必要があるため、この一意の識別子を保存します。

文字起こしの開始

次に、文字起こしを開始するコードを記述します。 Initial_transcription.py という名前の新しいファイルを作成します。次のコードを新しいファイルに追加します。

File uploaded to URL: https://cdn.assemblyai.com/upload/463ce27f-0922-4ea9-9ce4-3353d84b5638

前のスクリプトと同じインポートがあり、AssemblyAI がアップロードされたオーディオ ファイルを保存する別の URL と一致する新しい定数 CDN_URL を追加します。

initiate_transcription函数本质上只是向AssemblyAI API设置了一个HTTP请求，以传入的特定URL对音频文件启动转录过程。这就是为什么file_id传递很重要的原因：完成音频文件的URL 我们告诉AssemblyAI进行检索。

通过附加此代码来完成文件，以便可以从命令行轻松地使用参数调用它。

if __name__ == "__main__":      parser = argparse.ArgumentParser()      parser.add_argument("file_id")      args = parser.parse_args()      file_id = args.file_id      response_json = initiate_transcription(file_id)      print(response_json)

通过在initiate_transcription文件上运行python命令来启动脚本，并传入您在上一步中保存的唯一文件标识符。

# the FILE_IDENTIFIER is returned in the previous step and will  # look something like this: 463ce27f-0922-4ea9-9ce4-3353d84b5638  python initiate_transcription.py FILE_IDENTIFIER

API将发回该脚本打印到命令行的JSON响应。

{'audio_end_at': None, 'acoustic_model': 'assemblyai_default', 'text': None,    'audio_url': 'https://cdn.assemblyai.com/upload/463ce27f-0922-4ea9-9ce4-3353d84b5638',    'speed_boost': False, 'language_model': 'assemblyai_default', 'redact_pii': False,    'confidence': None, 'webhook_status_code': None,    'id': 'gkuu2krb1-8c7f-4fe3-bb69-6b14a2cac067', 'status': 'queued', 'boost_param': None,    'words': None, 'format_text': True, 'webhook_url': None, 'punctuate': True,   'utterances': None, 'audio_duration': None, 'auto_highlights': False,    'word_boost': [], 'dual_channel': None, 'audio_start_from': None}

记下JSON响应中id键的值。这是我们需要用来检索转录结果的转录标识符。在此示例中，它是gkuu2krb1-8c7f-4fe3-bb69-6b14a2cac067。复制转录标识符到您自己的响应中，因为在下一步中我们将需要它来检查转录过程何时完成。

检索转录结果

我们已经上传并开始了转录过程，因此，准备就绪后，我们将尽快获得结果。

返回结果所需的时间取决于文件的大小，因此下一个脚本将向HTTP发送一个HTTP请求，并报告转录状态，或者在完成后打印输出。

创建一个名为 get_transcription.py 的第三个Python文件，并将以下代码放入其中。

import argparse  import os  import requests  API_URL = "https://api.assemblyai.com/v2/"  def get_transcription(transcription_id):      """Requests the transcription from the API and returns the JSON      response."""      endpoint = "".join([API_URL, "transcript/{}".format(transcription_id)])      headers = {"authorization": os.getenv('ASSEMBLYAI_KEY')}      response = requests.get(endpoint, headersheaders=headers)     return response.json() if __name__ == "__main__":      parser = argparse.ArgumentParser()      parser.add_argument("transcription_id")      args = parser.parse_args()      transcription_id = args.transcription_id      response_json = get_transcription(transcription_id)      if response_json['status'] == "completed":          for word in response_json['words']:              print(word['text'], end=" ")      else:          print("current status of transcription request: {}".format(                response_json['status']))

上面的代码与其他脚本具有相同的 imports 对象。在这个新的get_transcription函数中，我们只需使用我们的API密钥和上一步中的转录标识符（而不是文件标识符）调用AssemblyAI API。我们检索JSON响应并将其返回。

在main函数中，我们处理作为命令行参数传入的转录标识符，并将其传递给get_transcription函数。如果来自get_transcription函数的响应JSON包含completed状态，则我们将打印转录结果。否则，请在completed之前打印当前状态如queued或processing。

使用命令行和上一节中的转录标识符调用脚本：

python get_transcription.py TRANSCRIPTION_ID

如果该服务尚未开始处理脚本，则它将返回queued，如下所示：

current status of transcription request: queued

当服务当前正在处理音频文件时，它将返回processing：

current status of transcription request: processing

该过程完成后，我们的脚本将返回转录文本，如您在此处看到的那样：

An object relational mapper is a code library that automates the transfer of   data stored in relational, databases into objects that are more commonly used  in application code or EMS are useful because they provide a high level   ...(output abbreviated)

以上がPython で音声コンテンツをテキスト形式に変換する方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。