GoogleSpeechRecogRTCは、Google Speech Private APIを利用して、音声認識を行うRTコンポーネントです。

Google Speech Private APIは、Googleが個人用に提供している音声認識クラウドサービスです。

クラウドの音声認識サービスは、ここに記載されているように、ある程度無償のものがありますが、簡単に使えるという意味では、Google Speech Private APIが良いかと思います。

ただし、このGoogle Speech Private APIは、一日に50リクエストしか使えません（それ以上だとエラーが返ってきます）ので注意してください。

Googleの音声認識API（Google Speech API)は、月間で60分は無償（ただし、1リクエストにつき15秒で切り上げ）になっています。すなわち、240リクエストが1月で無料で使える上限になっています。それ以上では、15秒ごと（1リクエストごとに）0.006USDになっているようです。

Google SpeechAPIは、Pythonのライブラリがあったと思いますので、作成することは簡単だと思います。

GoogleSpeechRecogRTCは、OpenHRIVoiceの中に含まれています。しかし、現在は、開発途中であるためバイナリでの配布はしておりません。したがって、OpenRTM-aistのPython版が必須になっています。

また、このRTCでは、内部で音声部分の切り出し処理を行っていますので、pydubというパッケージが必須になっていますので、pipコマンドでインストールしてください。

 # pip install pydub

pydubパッケージのフル機能を利用するには、ffmpegをインストールする必要があります。ffmpegは、音声ファイルのフォーマット変換に利用されていますので、mp3やflac形式を利用したい場合には、ダインロード＆インストールをお願いします。

wavファイルのみであれば、pythonのデフォルトライブラリが利用できますので、Google Speech Private APIを使う場合には、必要ありません。

また、このRTCではGoogle Speech Private APIを利用していますので、APIKEYが必要になります。

APIKEYの取得には、Google Developer Consoleでの登録が必要になります。APIKEYの取得に関する詳細は、こちらの記事を参考にしてください。

• Ubuntu Linux 14.04以上を推奨
• Windows 7以上を推奨

• OpenRTM-aist ： OpenRTM-aist-1.1.2-RELEASE(Python)

名前	フローポート	データ型	説明
data	InPort	TimedOctetSeq	認識する音声データ（パケット形式)
result	OutPort	TimedString	音声認識結果（json形式ですので、eSEATへの入力には加工する必要があります）

名前	データ型	デフォルト値	設定範囲	説明
lang	string	ja-JP	ja-JP, us-EU, ...	音声認識する言語
min_buflen	int	8000	5000以上を推奨	音声部分の切り出し時のバッファサイズ (16bit, 16KHzの音声の場合、8000で250m秒ごと）
min_silence	int	150	0以上	音声部分切り出し時の無音部分の最小時間 (ms)
silence_thr	int	-10	-30 ～ -10 を推奨	音声部分切り出し時の無音部分とするレベル（db）

GoogleSpeechRecogRTCは、Google Speech Private　APIを利用しますので、API_KEYが必要になります。API_KEYは、 google_conf.confファイルのgoogle.speech.apikey:に記入してください。

google.speech.apikey: <Your SpeechAPI Key>