IoT-For-Beginners/translations/hr/6-consumer/lessons/1-speech-recognition/pi-speech-to-text.md

Pretvaranje govora u tekst - Raspberry Pi

U ovom dijelu lekcije napisat ćete kod za pretvaranje govora iz snimljenog zvuka u tekst koristeći uslugu za govor.

Slanje zvuka usluzi za govor

Zvuk se može poslati usluzi za govor koristeći REST API. Da biste koristili uslugu za govor, prvo morate zatražiti pristupni token, a zatim koristiti taj token za pristup REST API-ju. Ovi pristupni tokeni istječu nakon 10 minuta, pa vaš kod treba redovito zatražiti nove kako bi uvijek bili ažurirani.

Zadatak - dobivanje pristupnog tokena

1. Otvorite projekt smart-timer na svom Raspberry Pi uređaju.

2. Uklonite funkciju play_audio. Više nije potrebna jer ne želite da pametni mjerač vremena ponavlja ono što ste rekli.

3. Dodajte sljedeći uvoz na vrh datoteke app.py:

   import requests
   

4. Dodajte sljedeći kod iznad petlje while True kako biste deklarirali neke postavke za uslugu za govor:

   speech_api_key = '<key>'
   location = '<location>'
   language = '<language>'
   

   Zamijenite <key> API ključem za vaš resurs usluge za govor. Zamijenite <location> lokacijom koju ste koristili prilikom kreiranja resursa usluge za govor.

   Zamijenite <language> nazivom lokaliteta jezika kojim ćete govoriti, na primjer en-GB za engleski ili zn-HK za kantonski. Popis podržanih jezika i njihovih naziva lokaliteta možete pronaći u dokumentaciji o podršci za jezike i glasove na Microsoft docs.

5. Ispod ovoga dodajte sljedeću funkciju za dobivanje pristupnog tokena:

   def get_access_token():
       headers = {
           'Ocp-Apim-Subscription-Key': speech_api_key
       }
   
       token_endpoint = f'https://{location}.api.cognitive.microsoft.com/sts/v1.0/issuetoken'
       response = requests.post(token_endpoint, headers=headers)
       return str(response.text)
   

   Ova funkcija poziva endpoint za izdavanje tokena, prosljeđujući API ključ kao zaglavlje. Ovaj poziv vraća pristupni token koji se može koristiti za pozivanje usluga za govor.

6. Ispod ovoga deklarirajte funkciju za pretvaranje govora iz snimljenog zvuka u tekst koristeći REST API:

   def convert_speech_to_text(buffer):
   

7. Unutar ove funkcije postavite URL REST API-ja i zaglavlja:

   url = f'https://{location}.stt.speech.microsoft.com/speech/recognition/conversation/cognitiveservices/v1'
   
   headers = {
       'Authorization': 'Bearer ' + get_access_token(),
       'Content-Type': f'audio/wav; codecs=audio/pcm; samplerate={rate}',
       'Accept': 'application/json;text/xml'
   }
   
   params = {
       'language': language
   }
   

   Ovaj kod gradi URL koristeći lokaciju resursa usluge za govor. Zatim popunjava zaglavlja pristupnim tokenom iz funkcije get_access_token, kao i uzorkovanjem koje se koristi za snimanje zvuka. Na kraju definira neke parametre koji se prosljeđuju s URL-om i sadrže jezik u zvuku.

8. Ispod ovoga dodajte sljedeći kod za pozivanje REST API-ja i dobivanje teksta:

   response = requests.post(url, headers=headers, params=params, data=buffer)
   response_json = response.json()
   
   if response_json['RecognitionStatus'] == 'Success':
       return response_json['DisplayText']
   else:
       return ''
   

   Ovaj kod poziva URL i dekodira JSON vrijednost koja dolazi u odgovoru. Vrijednost RecognitionStatus u odgovoru pokazuje je li poziv uspješno pretvorio govor u tekst, a ako je Success, tekst se vraća iz funkcije, inače se vraća prazan string.

9. Iznad petlje while True: definirajte funkciju za obradu teksta koji vraća usluga za pretvaranje govora u tekst. Ova funkcija će za sada samo ispisivati tekst na konzolu.

   def process_text(text):
       print(text)
   

10. Na kraju zamijenite poziv funkcije play_audio u petlji while True pozivom funkcije convert_speech_to_text, prosljeđujući tekst funkciji process_text:

    text = convert_speech_to_text(buffer)
    process_text(text)
    

11. Pokrenite kod. Pritisnite gumb i govorite u mikrofon. Otpustite gumb kada završite, a zvuk će se pretvoriti u tekst i ispisati na konzolu.

    pi@raspberrypi:~/smart-timer $ python3 app.py 
    Hello world.
    Welcome to IoT for beginners.
    

    Isprobajte različite vrste rečenica, kao i rečenice u kojima riječi zvuče isto, ali imaju različita značenja. Na primjer, ako govorite na engleskom, recite 'I want to buy two bananas and an apple too' i primijetite kako će koristiti ispravne riječi to, two i too na temelju konteksta, a ne samo zvuka.

💁 Ovaj kod možete pronaći u mapi code-speech-to-text/pi.

😀 Vaš program za pretvaranje govora u tekst bio je uspješan!

---

Odricanje od odgovornosti:
Ovaj dokument je preveden pomoću AI usluge za prevođenje Co-op Translator. Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za ključne informacije preporučuje se profesionalni prijevod od strane ljudskog prevoditelja. Ne preuzimamo odgovornost za bilo kakve nesporazume ili pogrešne interpretacije koje proizlaze iz korištenja ovog prijevoda.