企業語音轉錄自動化實戰：用 Google Speech-to-Text + N8N 打造會議記錄系統

# 安裝 gcloud CLI（macOS）
brew install google-cloud-sdk

# 登入你的 Google 帳號
gcloud auth login

# 建立新專案
gcloud projects create my-speech-project --name="Speech Transcription"

# 設定預設專案
gcloud config set project my-speech-project

# 啟用 Speech-to-Text API
gcloud services enable speech.googleapis.com

# 啟用 Cloud Storage API（用來存放錄音檔）
gcloud services enable storage.googleapis.com

# 建立 GCS bucket（選擇台灣區域）
gsutil mb -l asia-east1 gs://my-speech-recordings/

# 建立服務帳號
gcloud iam service-accounts create speech-worker \
  --display-name="Speech Transcription Worker"

# 賦予必要權限
gcloud projects add-iam-policy-binding my-speech-project \
  --member="serviceAccount:speech-worker@my-speech-project.iam.gserviceaccount.com" \
  --role="roles/speech.client"

# 同時需要 Storage 讀取權限（讀取 GCS 上的音檔）
gcloud projects add-iam-policy-binding my-speech-project \
  --member="serviceAccount:speech-worker@my-speech-project.iam.gserviceaccount.com" \
  --role="roles/storage.objectViewer"

# 下載 JSON 金鑰檔案
gcloud iam service-accounts keys create ~/speech-key.json \
  --iam-account=speech-worker@my-speech-project.iam.gserviceaccount.com

# 設定環境變數
export GOOGLE_APPLICATION_CREDENTIALS=~/speech-key.json

from google.cloud import speech_v2 as speech
from google.cloud.speech_v2.types import cloud_speech

def transcribe_meeting(gcs_uri: str, project_id: str) -> str:
    """轉錄 GCS 上的會議錄音，使用 Chirp 3 模型。"""
    client = speech.SpeechClient()

    # 設定辨識器 (Recognizer)
    recognizer_name = f"projects/{project_id}/locations/global/recognizers/_"

    # Chirp 3 配置
    config = cloud_speech.RecognitionConfig(
        auto_decoding_config=cloud_speech.AutoDetectDecodingConfig(),
        language_codes=["zh-TW", "en-US"],  # 支援中英混合
        model="chirp_2",  # Chirp 3 引擎的內部代號
        features=cloud_speech.RecognitionFeatures(
            enable_automatic_punctuation=True,
            diarization_config=cloud_speech.SpeakerDiarizationConfig(
                min_speaker_count=2,
                max_speaker_count=10,
            ),
        ),
    )

    # 使用批次辨識（適合長音檔）
    file_metadata = cloud_speech.BatchRecognizeFileMetadata(uri=gcs_uri)

    request = cloud_speech.BatchRecognizeRequest(
        recognizer=recognizer_name,
        config=config,
        files=[file_metadata],
        recognition_output_config=cloud_speech.RecognitionOutputConfig(
            inline_response_config=cloud_speech.InlineOutputConfig(),
        ),
    )

    # 發送請求（長音檔會是非同步操作）
    operation = client.batch_recognize(request=request)
    print("等待轉錄完成...")
    response = operation.result(timeout=600)  # 最多等 10 分鐘

    # 處理結果
    transcript = []
    for uri, result in response.results.items():
        for r in result.transcript.results:
            best = r.alternatives[0]
            speaker = f"講者 {r.channel_tag}" if r.channel_tag else "未知講者"
            transcript.append(f"[{speaker}] {best.transcript}")

    return "\n".join(transcript)


# 使用範例
if __name__ == "__main__":
    result = transcribe_meeting(
        gcs_uri="gs://my-speech-recordings/meeting-2026-04-24.wav",
        project_id="my-speech-project"
    )
    print(result)

// N8N Webhook 觸發器設定
{
  "name": "Meeting Recording Webhook",
  "type": "n8n-nodes-base.webhook",
  "parameters": {
    "httpMethod": "POST",
    "path": "new-recording",
    "responseMode": "onReceived",
    "options": {
      "rawBody": false
    }
  },
  "typeVersion": 2
}

# 在 GCS bucket 上設定檔案上傳通知
gsutil notification create \
  -t projects/my-speech-project/topics/new-recordings \
  -f json \
  -e OBJECT_FINALIZE \
  gs://my-speech-recordings/

# 這樣每次有新檔案上傳到這個 bucket，
# 就會自動發送一個 Pub/Sub 訊息，N8N 會接收到並開始處理。

// N8N Execute Command 節點 - 音檔格式轉換
{
  "name": "Convert to FLAC",
  "type": "n8n-nodes-base.executeCommand",
  "parameters": {
    "command": "ffmpeg -i /tmp/input.{{ $json.originalFormat }} -ar 16000 -ac 1 -f flac /tmp/output.flac"
  }
}

// 參數說明：
// -ar 16000：取樣率設定為 16kHz（語音辨識最低建議值）
// -ac 1：單聲道（降低檔案大小，不影響辨識品質）
// -f flac：輸出為 FLAC 無損格式

# 把一個 2 小時的錄音切成 30 分鐘一段
ffmpeg -i meeting.wav -f segment -segment_time 1800 \
  -c copy meeting_part_%03d.wav

# 結果：meeting_part_000.wav, meeting_part_001.wav, ...
# 每一段獨立送給 API 轉錄，最後再合併結果

// N8N HTTP Request 節點 - 呼叫 Speech-to-Text V2
{
  "name": "Call Speech-to-Text",
  "type": "n8n-nodes-base.httpRequest",
  "parameters": {
    "method": "POST",
    "url": "https://speech.googleapis.com/v2/projects/{{ $env.GCP_PROJECT }}/locations/global/recognizers/_:recognize",
    "authentication": "predefinedCredentialType",
    "nodeCredentialType": "googleApi",
    "sendBody": true,
    "bodyParametersJson": "{\"config\": {\"languageCodes\": [\"zh-TW\", \"en-US\"],\"model\": \"chirp_2\",\"features\": {\"enableAutomaticPunctuation\": true,\"diarizationConfig\": {\"minSpeakerCount\": 2,\"maxSpeakerCount\": 10}}},\"uri\": \"{{ $json.gcsUri }}\"}",
    "options": {
      "timeout": 300000
    }
  }
}

// 輪詢 long-running operation 的邏輯（N8N Code 節點）
const operationName = $input.first().json.name;
let done = false;
let result = null;

while (!done) {
  // 等待 10 秒
  await new Promise(resolve => setTimeout(resolve, 10000));

  // 查詢 operation 狀態
  const response = await this.helpers.httpRequest({
    method: 'GET',
    url: `https://speech.googleapis.com/v2/${operationName}`,
    headers: {
      'Authorization': `Bearer ${await this.getCredentials('googleApi')}`
    }
  });

  if (response.done) {
    done = true;
    result = response.response;
  }
}

return [{ json: result }];

// N8N Code 節點 - 逐字稿後處理
const results = $input.first().json.results;
let transcript = [];
let currentSpeaker = null;
let currentText = '';

for (const result of results) {
  const alt = result.alternatives[0];
  const speaker = `講者 ${result.channelTag || '?'}`;

  if (speaker !== currentSpeaker) {
    // 講者切換時，儲存前一段
    if (currentSpeaker) {
      transcript.push({
        speaker: currentSpeaker,
        text: currentText.trim(),
        timestamp: formatTime(result.resultEndOffset)
      });
    }
    currentSpeaker = speaker;
    currentText = alt.transcript;
  } else {
    currentText += alt.transcript;
  }
}

// 格式化輸出
const formatted = transcript.map(t =>
  `[${t.timestamp}] ${t.speaker}：${t.text}`
).join('\n\n');

return [{ json: { transcript: formatted, segments: transcript } }];

[00:00:15] 講者 1：好，我們開始今天的產品檢討會。上週的 sprint 有幾個重點要跟大家同步。

[00:00:32] 講者 2：我先報告一下前端的部分。登入流程的改版已經上線了，目前轉換率提升了 12%。

[00:01:05] 講者 3：後端那邊也完成了 API 效能優化，回應時間從 800ms 降到 200ms。

[00:01:28] 講者 1：不錯。那下週的優先項目是什麼？

你是一個專業的會議記錄助理。以下是一場會議的逐字稿，請依照以下格式輸出結構化的會議摘要：

## 會議摘要
（用 3-5 句話概括整場會議的重點）

## 關鍵決策
- 列出所有在會議中做出的決策
- 每個決策標注是誰提出的

## 待辦事項（Action Items）
- [ ] 待辦事項描述｜負責人｜截止日期
- 從逐字稿中提取所有明確或隱含的待辦事項

## 意見分歧
- 列出會議中有不同意見的議題
- 標注各方立場

## 下次會議議題
- 列出需要在下次會議追蹤的項目

規則：
1. 使用繁體中文
2. 如果逐字稿中有模糊不清的部分，標注 [待確認]
3. 行動項目必須具體、可執行
4. 保持客觀，不要加入你自己的解讀

逐字稿：
{{transcript}}

# 安裝 Google Cloud Speech 客戶端
pip install google-cloud-speech

# 安裝 FFmpeg（macOS）
brew install ffmpeg

# 安裝 FFmpeg（Ubuntu/Debian）
sudo apt-get install ffmpeg

# 轉換為 FLAC 格式
ffmpeg -i test_recording.m4a -ar 16000 -ac 1 test_recording.flac

# 上傳到 GCS
gsutil cp test_recording.flac gs://my-speech-recordings/

from google.cloud import speech_v2 as speech
from google.cloud.speech_v2.types import cloud_speech

client = speech.SpeechClient()

config = cloud_speech.RecognitionConfig(
    auto_decoding_config=cloud_speech.AutoDetectDecodingConfig(),
    language_codes=["zh-TW"],
    model="chirp_2",
)

request = cloud_speech.RecognizeRequest(
    recognizer="projects/my-speech-project/locations/global/recognizers/_",
    config=config,
    content=open('test_recording.flac', 'rb').read(),
)

response = client.recognize(request=request)

for result in response.results:
    print(result.alternatives[0].transcript)