O Speech-to-Text converte áudio falado em texto escrito. O Google Cloud expõe isso como um serviço gRPC, e o sgcWebSockets Enterprise inclui um cliente Speech tipado construído sobre o genérico TsgcGRPCClient, para que você possa transcrever áudio diretamente do Delphi e do C++Builder. Você monta uma requisição de reconhecimento com algumas propriedades, a envia por gRPC e lê a transcrição de volta, sem necessidade de runtime externo ou protobufs escritos à mão.
Como funciona
O gRPC são mensagens Protocol Buffers encapsuladas sobre HTTP/2, então o cliente Speech viaja pelo mesmo transporte que o restante da biblioteca. Um TsgcHTTP2Client abre uma conexão TLS para speech.googleapis.com:443, um TsgcGRPCClient trata o enquadramento gRPC e os trailers sobre ele, e as mensagens Speech tipadas em sgcGRPC_Google_Speech serializam e analisam a requisição e a resposta para você.
As APIs do Google Cloud são autenticadas. Você se autentica com uma conta de serviço, trocando sua chave JSON por um token bearer de curta duração, e envia esse token como metadado gRPC em cada chamada. A requisição em si é uma RecognitionConfig (idioma, codificação, taxa de amostragem) mais o áudio, seja como bytes inline ou um URI do Cloud Storage. O serviço responde com um ou mais resultados, cada um contendo alternativas de transcrição ordenadas por pontuação de confiança.
Autenticando com uma conta de serviço
O cliente do Google Cloud transforma uma chave JSON de conta de serviço em um token bearer. Carregue a chave, defina as propriedades JWT e vincule a audiência ao endpoint do Speech para que o token autoassinado seja aceito. Assim que o token chegar, adicione-o ao DefaultMetadata do cliente gRPC como um cabeçalho authorization, que então acompanha cada chamada.
uses
sgcHTTP2_Client, sgcGRPC_Client, sgcGRPC_Types,
sgcHTTP_Google_Cloud, sgcGRPC_Google_Speech;
// service-account JWT authentication
Cloud.GoogleCloudOptions.Authentication := gcaJWT;
Cloud.GoogleCloudOptions.JWT.ClientEmail := ClientEmail;
Cloud.GoogleCloudOptions.JWT.PrivateKeyId := PrivateKeyId;
Cloud.GoogleCloudOptions.JWT.PrivateKey.Text := PrivateKey;
Cloud.GoogleCloudOptions.JWT.ProjectId := ProjectId;
// self-signed service-account JWT is audience-bound to the Speech endpoint
Cloud.GoogleCloudOptions.JWT.API_Endpoint := 'https://speech.googleapis.com/';
// once the token is acquired, send it on every gRPC call
GRPC.DefaultMetadata.Clear;
GRPC.DefaultMetadata.Add('authorization', 'Bearer ' + Token);Conectando o cliente gRPC
O canal é uma conexão HTTP/2. Aponte um TsgcHTTP2Client para o host do Speech com TLS habilitado, atribua-o à propriedade Client do componente gRPC e selecione o tipo de conteúdo do protocolo. O serviço Speech fala Protocol Buffers, então use grpcProto sem compressão.
HTTP2 := TsgcHTTP2Client.Create(nil);
HTTP2.Host := 'speech.googleapis.com';
HTTP2.Port := 443;
HTTP2.TLS := True;
GRPC := TsgcGRPCClient.Create(nil);
GRPC.Client := HTTP2;
GRPC.ChannelOptions.ContentType := grpcProto;
GRPC.ChannelOptions.Compression := grpcNoCompression;
HTTP2.Active := True;Reconhecendo áudio e lendo a transcrição
Para transcrever, monte um TsgcGRPCSpeechRecognizeRequest. Preencha o Config com o código de idioma, a codificação e a taxa de amostragem, aponte Audio.Uri para um objeto do Cloud Storage (ou defina Audio.Content com bytes inline) e chame Recognize no serviço google.cloud.speech.v1.Speech. A requisição se serializa com ToBytes, e a resposta é analisada de volta em uma resposta tipada que você pode percorrer em busca de resultados e alternativas.
var
oRequest: TsgcGRPCSpeechRecognizeRequest;
oResponse: TsgcGRPCResponse;
oSpeech: TsgcGRPCSpeechRecognizeResponse;
oResult: TsgcGRPCSpeechRecognitionResult;
oAlt: TsgcGRPCSpeechRecognitionAlternative;
i, j: Integer;
begin
oRequest := TsgcGRPCSpeechRecognizeRequest.Create;
try
oRequest.Config.Encoding := 0; // 0 = ENCODING_UNSPECIFIED, let the API detect
oRequest.Config.SampleRateHertz := 16000;
oRequest.Config.LanguageCode := 'en-US';
oRequest.Config.EnableAutomaticPunctuation := True;
oRequest.Audio.Uri := 'gs://my-bucket/audio.flac';
oResponse := GRPC.Call('google.cloud.speech.v1.Speech', 'Recognize',
oRequest.ToBytes);
finally
oRequest.Free;
end;
if oResponse.StatusCode <> grpcOK then
begin
ShowMessage('gRPC error: ' + oResponse.StatusMessage);
Exit;
end;
oSpeech := TsgcGRPCSpeechRecognizeResponse.Create;
try
oSpeech.LoadFromBytes(oResponse.Data);
for i := 0 to oSpeech.ResultCount - 1 do
begin
oResult := oSpeech.ResultItem(i);
for j := 0 to oResult.AlternativeCount - 1 do
begin
oAlt := oResult.Alternative(j);
Memo1.Lines.Add('Transcript: ' + oAlt.Transcript);
Memo1.Lines.Add('Confidence: ' + FloatToStr(oAlt.Confidence));
end;
end;
finally
oSpeech.Free;
end;
end;Configuração de reconhecimento
O objeto Config na requisição mapeia diretamente para a mensagem RecognitionConfig do Google. Além de idioma e taxa de amostragem, você pode definir MaxAlternatives para solicitar variantes ordenadas, ProfanityFilter para mascarar palavras ofensivas, AudioChannelCount para áudio multicanal, EnableAutomaticPunctuation para uma saída legível e Model para escolher um modelo de reconhecimento ajustado. Cada propriedade é opcional e só é emitida no protocolo quando definida, então você envia apenas o que precisa.
Áudio inline ou um URI do Cloud Storage
Clipes curtos podem viajar dentro da requisição: atribua os bytes brutos de áudio a Audio.Content e o cliente os embute no protobuf. Para arquivos maiores, envie o áudio para um bucket e defina Audio.Uri com um caminho gs://, o que mantém a requisição pequena e permite que o Google leia o objeto diretamente. As duas opções são mutuamente exclusivas, você define uma ou a outra em uma dada requisição.
Resultados e alternativas
Uma resposta é uma lista de resultados, um por segmento de áudio reconhecido. Cada resultado carrega uma ou mais alternativas ordenadas por probabilidade, com a transcrição mais provável primeiro e uma pontuação de Confidence entre 0 e 1. Itere ResultCount e AlternativeCount para ler todas, ou simplesmente pegue a primeira alternativa do primeiro resultado para a melhor estimativa. Os auxiliares tipados fazem a análise do protobuf, então você trabalha com strings e floats Delphi comuns.
Disponibilidade
O cliente Speech-to-Text gRPC tipado faz parte da edição Enterprise do sgcWebSockets e roda em Windows, macOS, Linux, iOS e Android. Um exemplo pronto para executar, no qual este artigo se baseia, está em Demos\21.GRPC\11.Speech_to_Text, e a referência completa está na página do produto gRPC Client.
Dúvidas ou comentários? Entre em contato. Você receberá uma resposta das pessoas que escreveram o código.