SpeechKit Asynchronous Batch Recognizer

Данный скрипт берет аудио-файлы из бакета Object Storage, отправляет их на распознавание в сервис SpeechKit, после чего – сохраняет результат распознавания обратно в бакет Object Storage.

Процесс распознавания длинных аудио – асинхронный, поэтому требуется, после первичной отправки аудио-файла сохранить его operation-id, и затем - периодически проверять статус задания. Если задание выполнено – можно сохранить результат, и убрать файл из последующих проверок статуса задания.

Скрипт написан на Python поэтому может быть легко разобран, доработан и оптимизирован под ваш сценарий.

Процесс распознавания

1. Пользователь загружает аудио-файлы в поддерживаемых форматах в бакет Object Storage, в директорию (префикс) input. Также, может быть загружен файл config.json, чтобы задать язык распознавания речи (по умолчанию, и при отсутствии файла config.json — будет использован русский язык [ru-RU]).

   config.json имеет простой формат, содержит только один параметр в формате JSON:

   {
       'lang': 'ru-RU'
   }
   

2. Скрипт проверяет содержимое папки input в бакете, составляет список файлов, которые необходимо отправить на распознавание, исключая файлы неподдерживаемого формата, и исключает файлы, которые уже находятся в процессе распознавания (за счет проверки наличия файла в папке log). Также, проверяется наличие файла config.json и применяется тот язык распознавания, который в нем указан.

3. Скрипт отправляет в Transcribe API прямые ссылки на файлы из списка, составленного ранее.

4. Сервис SpeechKit получает файл из бакета по подписанной ссылке, создает задание LongRunningRecognitionTask, возвращает ID операции распознавания.

5. ID операции распознавания сохраняется в папке log, для каждого из отправленных на обработку файлов.

6. Периодически, в зависимости от расписания запуска скрипта, скрипт проверяет папку log на предмет наличия аудио-файлов в процессе обработки.

7. Если в файле содержится параметр {'done': 'false'} – скрипт отправляет ID операции в сервис Operations API, чтобы проверить статус операции.

8. Если операция завершена – результат операции сохраняется в папку out в формате JSON, а аналогичный файл в папке log изменяется на файл с содержимым {'done': 'true'}, чтобы исключить его из дальнейших проверок статуса операции.

Использование

Скрипт может быть запущен локально, для этого необходимо указать следующие переменные окружения:

Переменная	Описание
S3_BUCKET	Имя бакета в Object Storage
S3_PREFIX	Префикс (или директория) для входящих файлов, например, input
S3_PREFIX_LOG	Префикс (или директория) для файлов в процессе обработки, например, log
S3_PREFIX_OUT	Префикс (или директория) для результатов обработки, например, out
S3_KEY	ID статического ключа доступа
S3_SECRET	Секрет статического ключа доступа
API_SECRET	Секрет API-ключа

Рекомендуется разделить обрабатываемые, обработанные и файлы для обработки при помощи разных префиксов (подпапок), иначе можно получить непредсказуемое поведение.

Для того, чтобы создать ключ для S3 и API-ключ – необходимо создать сервисную учетную запись, а также – назначить роли storage.editor и ai.speechkit-stt.user.

Примеры использования

Можно воспользоваться готовым Terraform модулем, который создает все необходимые ресурсы для начала обработки длинных аудио-файлов.

Можно установить cronjob для Kubernetes, который выполняет обработку входящих файлов по расписанию.