Google speech-to-text audio transcripts 集成

使用 LangChain Python 集成 Google Speech-to-Text 音频转录文档加载器。

The SpeechToTextLoader 允许通过 Google Cloud Speech-to-Text API 转录音频文件并将转录文本加载到文档中。

使用该功能前，您需要安装 google-cloud-speech Python 包，并拥有已启用 Speech-to-Text API 的 Google Cloud 项目。

• 将大型模型的力量引入Google Cloud的语音API

安装与配置

首先需要安装 google-cloud-speech Python 包。

更多详情请参考 Speech-to-Text 客户端库 页面。

按照 Google Cloud 文档中的 快速入门指南 创建项目并启用 API。

pip install -qU langchain-google-community[speech]

示例

SpeechToTextLoader 必须包含 project_id 和 file_path 参数。音频文件可通过 Google Cloud Storage URI（gs://...）或本地文件路径指定。

该加载器仅支持同步请求，对单个音频文件有 60秒或10MB 的限制。

from langchain_google_community import SpeechToTextLoader

project_id = "<PROJECT_ID>"
file_path = "gs://cloud-samples-data/speech/audio.flac"
# or a local file path: file_path = "./audio.wav"

loader = SpeechToTextLoader(project_id=project_id, file_path=file_path)

docs = loader.load()

注意：调用 loader.load() 会阻塞直到转录完成。

转录文本将保存在 page_content 中：

docs[0].page_content

"How old is the Brooklyn Bridge?"

metadata 包含完整的JSON响应及更多元数据：

docs[0].metadata

{
  'language_code': 'en-US',
  'result_end_offset': datetime.timedelta(seconds=1)
}

识别配置

可通过 config 参数指定不同语音识别模型并启用特定功能。

参考 Speech-to-Text 识别器文档 和 RecognizeRequest API 参考文档以了解如何设置自定义配置。

未指定 config 时，系统将自动选择以下默认配置：

• 模型：Chirp 通用语音模型
• 语言：en-US
• 音频编码：自动检测
• 自动标点：已启用

from google.cloud.speech_v2 import (
    AutoDetectDecodingConfig,
    RecognitionConfig,
    RecognitionFeatures,
)
from langchain_google_community import SpeechToTextLoader

project_id = "<PROJECT_ID>"
location = "global"
recognizer_id = "<RECOGNIZER_ID>"
file_path = "./audio.wav"

config = RecognitionConfig(
    auto_decoding_config=AutoDetectDecodingConfig(),
    language_codes=["en-US"],
    model="long",
    features=RecognitionFeatures(
        enable_automatic_punctuation=False,
        profanity_filter=True,
        enable_spoken_punctuation=True,
        enable_spoken_emojis=True,
    ),
)

loader = SpeechToTextLoader(
    project_id=project_id,
    location=location,
    recognizer_id=recognizer_id,
    file_path=file_path,
    config=config,
)

---

官方原文：src/oss/python/integrations/document_loaders/google_speech_to_text.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。