Downloaded 29 times
![youtube-dl
• Download from YouTube in many formats
• !youtube-dl -F [youtube_url] ดู formats
• !youtube-dl -f bestaudio -o ‘audio.%(ext)s’ [url]](https://image.slidesharecdn.com/thainlpspeech17aug2018-180817171531/75/Speech-to-Text-API-Thai-NLP-Meetup-2-13-2048.jpg)
Uploaded byKorakot Chaovavanich
Speech-to-Text API - Thai NLP Meetup #2
Experience in using Google Speech-to-Text API for transcription.
Speech-to-Text API - Thai NLP Meetup #2
- 1.
- 2. Outline • ทฤษฎี • Speech-to-TextAPI • ปัญหาการถอดเทป • ปฏิบัติ - Colab • Libraries & Data • pydub, SpeechClient() • config, response • Interface design
- 3.
- 4. Google Speech-to-Text • เดิมชื่อSpeech API เปลี่ยนเป็น Speech-to-Text • กลุ่ม Cloud ML แบบเรียกใช้สำเร็จ • ASR: Automatic Speech Recognition • รองรับ 120 ภาษา (มากที่สุด) • ตัวเลือกอื่น: Nuance, AmiVoice, Tellvoice (MS, AWS ไม่มีภาษาไทย)
- 5. ความสามารถ • แปลงเสียง เป็นText ใน 3 mode • Synchronous (สั้น) • Asynchronous (ยาว) • Streaming (real-time) • ใช้ผ่าน Library, gcloud, curl
- 6. Advanced Features • Alternatives •Timestamps • Separate Speakers • Identify Language • Enhanced Models (เฉพาะ English) • Word-level Confidence
- 7. ราคา • ฟรี 60นาที/เดือน • เสียงพูด $0.006 = 0.20฿ ต่อ 15 sec • วิดีโอ x2 เท่า • เช่น ถอดเทป 1 ชั่วโมง ≈ 50 บาท
- 8. การถอดเทป • ทำไมต้องถอดเทป (transcribe) •เพื่อ search • ทำ และแปล sub-title (accessibility) • text mining หา insight • แปลง unstructured data เป็น structured • ปัญหา: กินแรงคนมาก=แพง
- 9. Requirement • ระบบถอดเทป โดยใช้Speech-to-Text API • ไม่แพงเกินไป • แม่นยำพอ และสามารถตรวจคำผิดได้ • มี time-stamp เพื่อแปลงเป็น subtitle ได้
- 10.
- 11. Google Colab • https://colab.research.google.com •Free cloud instance • CPU: Xeon 2.3 Ghz. • RAM: 12.6 GB • Disk: 33 GB • GPU Tesla K80, 2496 cores, 12GB VRAM • idle cutoff 90 นาที (max 12 ชั่วโมง)
- 12. Import & Install •from IPython.display import HTML, Audio • !pip install youtube-dl • !pip install pydub !apt install ffmpeg • !pip install google-cloud-speech • from google.cloud import speech_v1p1beta1 as speech
- 13. youtube-dl • Download fromYouTube in many formats • !youtube-dl -F [youtube_url] ดู formats • !youtube-dl -f bestaudio -o ‘audio.%(ext)s’ [url]
- 14.
- 15. librosa, peaks.js • Librosa •waveform • spectrogram • CQT • Peaks.js • interaction
- 16. Cloud Authentication • RegisterGoogle Cloud (free $200 credit) • Create a new project • Enable Speech API for the project • Download credential file, save to Google Drive • Load credential file into Colab, set environment
- 17. gcloud speech recognize •For command line, you can also use ‘curl’
- 18. Python Library • เรียกAPI ด้วย audio และ config
- 19.
- 20. หลาย alternatives • ระบุconfig เป็น max_alternatives=n
- 21. Time offset, wordconfidence
- 22.
- 23.
- 24. Next • client.long_running_recognize() • คำยากๆที่สะกดผิด เก็บสถิติแล้ว correct • context hint ด้วย speechContexts phrases (500 คำ) • speech analysis (waveform, spectrogram) เพื่อ correct boundary • เอา label ไป train ASR เช่น KALDI, Deep Speech
- 25.