Comment convertir la parole en texte avec Python ?

Ces dernières années, dans le monde de l'intelligence artificielle, l'une des applications les plus populaires est la reconnaissance vocale. Cette popularité est due à la grande diversité des applications et des besoins : centre d'appels, diffusion, traduction, soins de santé, banque, assistant vocal, etc.

La reconnaissance vocale inclut diverses fonctionnalités :

• Transposition de la parole en texte : vous permet de transcrire l'audio en texte
• Synthèse vocale : permet de transcrire un texte en audio
• Analyse de la parole : permet d'analyser un discours audio afin d'en extraire des informations telles que : le sexe, l'âge, les émotions du locuteur
• Diarisation vocale : Permet d'identifier et de différencier les différents locuteurs parlant dans le même son (par accents, spécificités, etc.)
• Traduction vocale : permet de traduire un discours audio d'une langue spécifique en un discours audio d'une autre langue

Cette liste ne constitue pas une liste exhaustive de toutes les fonctionnalités de reconnaissance vocale. De nombreuses solutions reposent sur la combinaison de plusieurs fonctionnalités.

Cet article explique brièvement comment utiliser Speech-to-Text avec Python. Nous verrons dans cet article qu'il existe de nombreuses manières de le faire, notamment les moteurs d'API open source et cloud.

Les moteurs open source sont disponibles gratuitement, vous pouvez souvent trouver ces solutions sur github. Il vous suffit de télécharger la bibliothèque et d'utiliser ces moteurs directement depuis votre machine. Au contraire, les moteurs cloud de synthèse vocale sont fournis par des fournisseurs d'IA, ils vous vendent des demandes que vous pouvez traiter via leurs API. Ils peuvent vendre des demandes selon un modèle de licence (vous payez un abonnement mensuel correspondant à un certain nombre de demandes) ou un modèle de paiement à l'utilisation (vous ne payez que pour les demandes que vous envoyez).

‍

Comment choisir entre les moteurs open source et cloud ?

Lorsque vous recherchez un moteur de synthèse vocale, la première question que vous devez vous poser est la suivante : quel type de moteur vais-je choisir ?

Bien entendu, le principal avantage des moteurs de synthèse vocale open source est qu'ils sont open source. Cela signifie que son utilisation est gratuite et que vous pouvez utiliser le code comme vous le souhaitez. Il permet de modifier potentiellement le code source, d'hyperparamétrer le modèle. De plus, vous n'aurez aucun problème avec la confidentialité des données car vous devrez héberger le moteur sur votre propre serveur, ce qui signifie également que vous devrez configurer ce serveur, le maintenir et vous assurer que vous disposerez d'une puissance informatique suffisante pour traiter toutes les demandes.

D'un autre côté, les moteurs de synthèse vocale dans le cloud sont payants, mais le fournisseur d'IA gérera le serveur pour vous, maintiendra et améliorera le modèle. Dans ce cas, vous devez accepter que vos données soient transférées vers le cloud du fournisseur. En échange, le fournisseur traite des millions de données pour fournir un moteur très performant. Le fournisseur de synthèse vocale dispose également de serveurs capables de prendre en charge des millions de requêtes par seconde sans perte de performance ou de rapidité.

Maintenant que vous connaissez les avantages et les inconvénients des moteurs open source et cloud, considérez qu'il existe une troisième option : créer votre propre moteur de synthèse vocale. Avec cette option, vous pouvez créer le moteur en fonction de vos propres données, ce qui vous garantit de bonnes performances. Vous pourrez également préserver la sécurité et la confidentialité de vos données. Cependant, vous aurez la même contrainte quant à l'hébergement de votre moteur. Bien entendu, cette option ne peut être envisagée que si vous possédez des compétences en science des données dans votre entreprise. Voici un résumé des moments où vous devez choisir entre utiliser des moteurs existants (cloud ou open source) et créer le vôtre :

‍

Moteurs de synthèse vocale open source :

Il existe plusieurs moteurs de synthèse vocale open source disponibles, dont la majorité se trouve sur github. Voici les plus célèbres :

Discours profond

DeepSpeech est un moteur Speech-To-Text open source, utilisant un modèle entraîné par des techniques d'apprentissage automatique basées sur Article de recherche Deep Speech de Baidu. Le projet DeepSpeech utilise Google TensorFlow pour faciliter la mise en œuvre.

Voici comment installer le package DeepSpeech :

Vous pouvez ensuite créer une instance de modèle et charger un modèle :

Enfin, vous pouvez effectuer des prédictions :

‍

Lampe de poche ASR

Flashlight est une bibliothèque d'apprentissage automatique rapide et flexible entièrement écrite en C++ par l'équipe Facebook AI Research Speech et les créateurs de Torch et Deep Speech. L'application ASR de Flashlight (anciennement lettre wave 2 projet) fournit des capacités de formation et d'inférence pour les systèmes de reconnaissance vocale de bout en bout. Ce moteur est très performant mais vous devrez compiler toutes les bibliothèques C++ avant de l'utiliser avec Python.

Vous pouvez trouver un tutoriel Google Colab ici qui vous permet d'utiliser Flashlight ASR avec Python.

Kaldi

Kaldi est une boîte à outils open source qui vous permet d'utiliser un moteur de synthèse vocale. Kaldi est écrit principalement en C/C++, mais la boîte à outils est encapsulée avec des scripts Bash et Python. PyKaldi est la couche de script Python pour la boîte à outils de reconnaissance vocale Kaldi. Il fournit des wrappers Python de première classe faciles à utiliser et à faible coût pour le code C++ des bibliothèques Kaldi. Découvrez comment l'utiliser ici.

Moteurs Speech-to-Text dans le cloud :

Il existe de nombreux moteurs de synthèse vocale dans le cloud sur le marché et vous aurez du mal à choisir le bon. Voici les meilleurs fournisseurs du marché :

• Assemblage AI
• Rév. AI
• Speechmatique
• Deepgram
• Voix
• Google Cloud Speech-to-Text
• Amazon Transcribe
• Microsoft Azure Speech-to-Text

Tous ces fournisseurs de synthèse vocale peuvent vous fournir de bonnes performances pour votre projet. En fonction de la langue (et de l'accent), de la qualité, de la longueur, de la taille de vos fichiers audio, le meilleur moteur peut varier entre tous ces fournisseurs. La seule façon de savoir quel fournisseur choisir est de comparer les performances avec vos propres données (audios).

‍

API de synthèse vocale Eden AI :

C'est là qu'Eden AI entre en jeu dans votre processus. L'API Speech-to-Text d'Eden AI vous permet d'utiliser les moteurs de tous ces fournisseurs avec une API unique, un jeton unique et une documentation Python simple.

En utilisant Eden AI, vous pourrez comparer tous les fournisseurs avec vos données, changer de fournisseur quand vous le souhaitez et appeler plusieurs fournisseurs en même temps. Vous paierez le même prix par demande que si vous vous étiez abonné directement aux API des fournisseurs et vous ne perdrez pas les performances de latence.

Voici comment utiliser les moteurs de synthèse vocale en Python avec le SDK Eden AI :

 import json
import requests

headers = {"Authorization": "Bearer 🔑 Your_API_Key"}

url="https://api.edenai.run/v2/audio/speech_to_text_async"
data={"providers": "google,amazon","language": "en-US"}

files = {'file': open("🔊 path/to/your/sound.mp3",'rb')}

response = requests.post(url, data=data, files=files, headers=headers)
result = json.loads(response.text)
print(result)

Si vous souhaitez appeler un autre fournisseur, il vous suffit de modifier la valeur du paramètre « providers ». Vous pouvez voir tous les fournisseurs disponibles dans Documentation sur l'IA d'Eden. Bien entendu, vous pouvez appeler plusieurs fournisseurs dans le cadre d'une même demande afin de les comparer ou de les combiner.

De plus, Eden AI vous permet d'utiliser la synthèse vocale asynchrone pour les fournisseurs qui proposent cette fonctionnalité. Cela vous évite d'attendre le résultat de la demande.

‍

Conclusion

Comme vous pouvez le voir dans cet article, il existe de nombreuses options pour utiliser la synthèse vocale avec Python. Pour les développeurs qui n'ont pas de compétences en science des données ou qui souhaitent utiliser rapidement et simplement les moteurs de synthèse vocale, de nombreux moteurs open source et cloud sont disponibles. Chaque option présente des avantages et des inconvénients, vous savez que vous avez les indices pour choisir la meilleure option pour vous.

Si vous optez pour un moteur de synthèse vocale basé sur le cloud, vous aurez besoin d'aide pour trouver le meilleur moteur en fonction de vos données. De plus, les fournisseurs de synthèse vocale mettent souvent à jour et entraînent leurs modèles. Cela signifie que vous devrez peut-être modifier le choix de votre fournisseur à l'avenir pour continuer à obtenir les meilleures performances pour votre projet. Avec Eden AI, tout ce travail est simplifié et vous pouvez configurer un moteur de synthèse vocale en Python en moins de 5 minutes, et passer au meilleur fournisseur à tout moment.

Vous pouvez créer votre compte Eden AI ici et obtenez votre jeton d'API pour commencer à implémenter un moteur de synthèse vocale en Python !

‍