pythonで音声からの文字起こしを実装する

本稿では，音声データからテキストに変換する文字起こしを実装します．

有料枠設定にしていますが，下記のサイトで他の記事もみれます．youtubeの投げ銭的な物として，お考えください．

pythonで音声からの文字起こしを実装する

事前準備

ここではSpeechRecognitionというモジュールを用いります．googleのAPIを間接的に利用します．
Speech-to-Text 公式API(opens new window)

pip install SpeechRecognition
# Successfully installed SpeechRecognition-3.8.1

音声のファイル変換

サンプルコードでは読み込む拡張子が「.wav」となっているため，mp3 -> wavに変換します．
ファイル変換はターミナル上でffmpegで実行します．

# ffmpegのインストール
apt-get install -y ffmpeg

# ファイルの変換
ffmpeg -i aps-smp.mp3 aps-smp.wav

音声のテキスト変換

以下のコードで音声からテキストに変換する文字起こしに実施します．

# 音声のテキスト変換
import speech_recognition as sr

r = sr.Recognizer()
with sr.AudioFile("aps-smp.wav") as source:
   audio = r.record(source)
text = r.recognize_google(audio, language='ja-JP')

print(text)

今後のやりたいこと

短い音声ファイルではありますが，音声からの文字起こしはできました．
今後は長い動画での文字起こし(できるだけ無料で)に実装したいです．

参考サイト

https://www.hamlet-engineer.com/posts/mojiokoshi.html

エラーコード

#エラーコード1

あまりに時間の長い音声ファイル(無料枠から外れる)を変換したり，言語として読み取れなかったりすると，以下のエラーが発生します．
recognize_google speech recognition broken pipe python(opens new window)

RequestError: recognition connection failed: [Errno 32] Broken pipe