Menggunakan model

Gunakan model Speech-to-Text Kustom terlatih dalam alur kerja benchmark atau aplikasi produksi Anda. Segera setelah men-deploy model melalui endpoint khusus, Anda akan otomatis mendapatkan akses terprogram melalui objek pengenal, yang dapat digunakan langsung melalui Speech-to-Text V2 API atau di Google Cloud konsol.

Sebelum memulai

Pastikan Anda telah mendaftar ke Google Cloud akun, membuat project, melatih model ucapan kustom, dan men-deploy-nya menggunakan endpoint.

Melakukan inferensi di V2

Agar model Speech-to-Text Kustom siap digunakan, status model di tab Models harus Active, dan endpoint khusus di tab Endpoints harus Deployed.

Dalam contoh kami, jika ID project Google Cloud adalah custom-models-walkthrough, endpoint yang sesuai dengan model Speech-to-Text Kustom quantum-computing-lectures-custom-model adalah quantum-computing-lectures-custom-model-prod-endpoint. Region tempat fitur ini tersedia adalah us-east1, dan permintaan transkripsi batch-nya adalah sebagai berikut: 

from google.api_core import client_options
from google.cloud.speech_v2 import SpeechClient
from google.cloud.speech_v2.types import cloud_speech

def quickstart_v2(
    project_id: str,
    audio_file: str,
) -> cloud_speech.RecognizeResponse:
    """Transcribe an audio file."""
    # Instantiates a client
    client = SpeechClient(
    client_options=client_options.ClientOptions(
      api_endpoint="us-east1-speech.googleapis.com"
    )
  )

    # Reads a file as bytes
    with open(audio_file, "rb") as f:
        content = f.read()

    config = cloud_speech.RecognitionConfig(
        auto_decoding_config=cloud_speech.AutoDetectDecodingConfig(),
        language_codes=["en-US"],
        model="projects/custom-models-walkthrough/locations/us-east1/endpoints/quantum-computing-lectures-custom-model-prod-endpoint",
    )
    request = cloud_speech.RecognizeRequest(
        recognizer=f"projects/custom-models-walkthrough/locations/us-east1/recognizers/_",
        config=config,
        content=content,
    )

    # Transcribes the audio into text
    response = client.recognize(request=request)

    for result in response.results:
        print(f"Transcript: {result.alternatives[0].transcript}")

    return response

Langkah berikutnya

Ikuti referensi untuk memanfaatkan model ucapan kustom dalam aplikasi Anda. Lihat Mengevaluasi model kustom Anda.