話說照第一天的規劃，今天本來要寫Recommendation AI，不過我測了很久始終無法使用Recommendation AI、無法Enable它，所以只好就此作罷。

AI Hub

今天找其他的玩具來玩，翻到了AI Hub，Hub會讓人直接連想到集線器，AI Hub就是把很多AI、ML集中在一起的平台，你可以在上面使用大家的AI model，也可以分享自己的AI上去給大家用。

我今天會來介紹其中幾個內容：service、notebook、tensorflow module，入門一下AI Hub。

今天要來串接AutoML Table的API了，在串接之前一樣要先把Model deploy。

大家可以先拿昨天的資料在UI介面上online predict一下。

因為篇幅關係，昨天的Dialogflow沒有寫到最終章，就要先跳來AutoML Table了。

來點簡介再開始

AutoML Table是一種supervised learning，並透過表格資料訓練模型。用表格中的target欄位進行預測，還有一些用來學習的features特徵欄位。而在訓練之前我們該做的是：蒐集、準備資料、訓練、評估、測試、最後是預測。

當然還有更詳細的介紹都在這裡：https://cloud.google.com/automl-tables/docs/beginners-guide?authuser=1

每個系列的第二篇，就是踏入API的世界。今天要入門的是Dialogflow的API，不囉嗦先丟上文件。

忘了前置動作的可以參考第三天的文章。

今天要介紹新的服務：Dialogflow。這部分說明文件繞來繞去，最後導到新的網址：https://cloud.google.com/dialogflow/docs/how

這邊比較可惜是沒有簡易的測試可以玩，我們就先透過UI建立一個agent，建立一個簡單的Dialogflow流程體驗一下。

快來這邊體驗Dialogflow的UI吧：https://dialogflow.cloud.google.com/#/getStarted

建立Agent：https://dialogflow.cloud.google.com/#/newAgent

選擇中文並選擇project以後，按下建立就可以建立一個新的dialogflow。

因為這邊沒有AutoML的關係，所以今天是Speech-to-Text的最後一篇。

在doc文件裡的這篇是介紹如何使用Mic直接stream翻譯成文字，但我docker環境沒特別access host的mic，所以沒有測試這段。

中文Speech-to-Text

仔細測了一下，昨天的範例無法直接串接中文語音轉文字，原來是因為昨天使用的版本是v1，但中文相關的分析必須使用v1p1beta1，另一個原因是之前的檔案try.m4a一直測試都無法讀取，我把他轉為try.mp3以後，才可以順利解析。

這個步調而言，今天就是Cloud Speech-to-Text API串接，前情提要一樣是要先建立project、Enable API、下載credential json之類的。忘了的人記得看這系列第三天的文章。

好，現在要先來把test data抓下來，我們可以在google的github上找到很多檔案可以測試，我這邊抓的是audio.raw，並把它放到testdata/speech_to_text資料夾下。

今天來講第六個服務，寫到第21天終於第六個了。這個服務跟前幾天的Text-to-Speech剛好相反，是把聲音轉成文字。這服務號稱可以辨識120種語言跟其變化，更開心的是它可以辨識中文，還有廣東話、日文之類的語言也都可以。

當然每個系列的第一天都是玩一下他提供的demo，不過這很像是最後一個有提供demo的服務，接下來還得要調整步調。
大家可以先透過錄音程式錄一段話，然後再將檔案上傳：

今天是這子系列的最後一篇，因為Text-to-Speech沒有AutoML UI介面可以操作，無奈只好讓這邊結束這回合。

按照進度，這篇必須更深入介紹Text-to-Speech API，來看看今天的兩個主題吧。

列出Voice清單

下面這段code可以列出支援的語言，並提供不同種的發聲方式。

昨天玩完Cloud Text-to-Speech demo以後，大概知道他可以把文字轉成語音念給你聽。今天就來入門Cloud Text-to-Speech API吧。

前情提要：記得先Enable API，放置環境變數的教學可以看這系列第三天的文章
語言一樣使用Golang，然後跑在docker裡，之後也會放上github