Transcrição.py

def google_transcribe(filepath, nome_arquivo_audio, nome_bucket):
    
    '''Aqui estamos pegando o arquivo de áudio em determinada localização, note que o áudio
    está em um árquivo local'''
    
    nome_arquivo= filepath + nome_arquivo_audio 
    
    '''Agora vamos usar a função que já fizemos para determinar a taxa de quadros (frame_rate) e
    quantidade de canais(channels) que o nosso áudio possui.
    Vale o lembrete que as boas práticas ditam que a taxa de quadros deve ser maior que 16000HZ
    e que o áudio deve possuir apenas um canal(mono audio)'''
    
    frame_rate, channels = taxa_de_quadros(nome_arquivo)
    
    if channels > 1:
        stereo_para_mono(file_name)
    
    #vamos definir os parametros para podermos usar o bucket
    bucket_name = nome_bucket
    source_file_name = filepath + nome_arquivo_audio
    destination_blob_name = nome_arquivo_audio
    #Definidos, vamos upar o nosso arquivo no bucket
    upload_blob(bucket_name, source_file_name, destination_blob_name)
    
    #Nessa parte estamos apenas colocando o nome do bucket no padrão certinho
    gcs_uri = 'gs://' + bucketname + '/' + audio_file_name
    
    #iniciamos o transcript como vazio, é aqui que vamos colocar nosso texto processado do áudio
    transcript = ''
    
    '''Esssa parte é a inicialização da API. Nela indicamos que queremos fazer um processamento de
    áudio, mais precisamente estamos abrido uma solicitação de speech-to-text, e estamos passando
    a localização do áudio através do bucket. Note que essa parte assume que o usuário já está autenticado'''
    client = speech.SpeechClient()
    audio = speech.RecognitionAudio(uri=gcs_uri)

    #Aqui temos as configurações para o processamento do áudio
    config = speech.RecognitionConfig(
    encoding= speech.RecognitionConfig.AudioEncoding.LINEAR16, #selecionando a codificação Linear16
    sample_rate_hertz=frame_rate, #Utilizando o frame rate que calculamos
    language_code='pt-BR') #Transcrevendo áudios em português
    '''Caso quisessemos colocar parâmetros opcionais, como profanity_filter, colocariamos 
    dentro do RecognitionConfig '''

    '''Esssa parte detecta o discurso em longos áudios, passamos as configurações que queremos ter,
    definidas anteriormente e o áudio, também definido anteriormente.'''
    operation = client.long_running_recognize(config=config, audio=audio)
    response = operation.result(timeout=10000)

    '''Aqui estamos propriamente escrevendo os resultados obtidos na váriavel transcript que criamos'''
    for result in response.results:
        transcript += result.alternatives[0].transcript
    
    #não podemos esquecer de limpar o que fizemos 
    delete_blob(bucket_name, destination_blob_name)
    
    #e por fim, é devolvida a transcrição de áudio
    return transcript