テレグラムのボットのレシピ

こんにちは、Habrahabrの読者の皆さん！



このトピックでは、4日間でTelegram用のボットを開発した経験を皆さんと共有したいと思います。 このボットは、受信したすべての音声メッセージをテキストに変換します。 私はすぐにそれをやろうとしましたが、高品質で-いくつかの技術を学びました。 間違いや障壁を克服するプロセスを可能な限り詳細に説明します。 必要なスキルがなくても、製品を立ち上げることはそれほど難しくないことを証明します。



この記事は、プログラミングの初心者（完成品の邪魔になる障害の数を確認するため）と、より高度な専門家の両方に興味があるかもしれません。

前文

それで、1人のプログラマが4日間で何ができるでしょうか？



モジュールの作成、単一画面iOSアプリケーションの作成、Telegramでの15％複雑なボットの作成、Dota2でのMMRの上げ下げ、またはオーバーウォッチでのランク付け。 自然の中で週末を過ごしたり、ジムに行ったり、プールで泳いだり、顧客の友人や親relativeを除いて誰も使用しないクライアント向けに500〜1000行のコードを記述したりできます。 最後のお金でシリコンバレーへの道を歩み、2、3のテレビ番組を見て、1、2回の会議で多くの人々と知り合い、アセンブラーのドキュメントに貼り付けます。



しかし、これがすべて完全なナンセンスだと言ったらどうでしょうか？ 私があなたに秘密を告げるならば：それはそれほど簡単ではありません。 時間は相対的なものであり、異なる値と係数で測定できます。 私のお気に入りの基準は、恩恵を受ける時間の関係です。 プログラマーが4日間で市場に新製品を投入できると言ったらどうなるでしょうか？ 興味がありますか？ -読んでください。

やる気

最近、「私たち自身のIvangai」がTelegramのプログラマーコミュニティに追加され、音声メッセージで左右に散らかるようになりました（突然、キーボードで指で書くのは難しいことを知っています）。 当然、人々は会話の本質を理解するために1日2〜3時間メッセージを聞くことにうんざりしていました。そして、誰かがすべての軍隊を自動的にテキストに変換するボットを作成することを提案しました。 これはまさに目が光る瞬間です。

音声からテキストへの翻訳

このようなボットを開発するのにどれくらいの時間がかかるかはわかりませんでしたが、温かく居心地の良いチャットルームとTelegramのオープンソースのTelegramフリーランスサービスのボットの裏で十分な経験がありました。 ためらうことなく、開発のために座った-Telegam Bot APIモジュールを接続する段階はスムーズに進んだ。 次は？ 音声認識モジュール-Googleの「音声認識API」。最初のリンクの中で最高のサービスのリストを取得します。 先頭にあるのはベータ版のGoogle Speech APIです。



ボットによってすべてのボイスメッセージを受信し、何らかの形でGoogleに直接送信します。 しかし、残念なことに、このサービスを使用するためのほとんどすべてのnpmモジュールは時代遅れであるか、機能しません。 Googleの専門家によって書かれたNode.jsの組み込みAPIを使用しようとしています-動作します。 認証には何がありますか？ Googleのドキュメントから多くのオプションを試してみました-ちなみに、これも50〜50が古くなっているか、機能していません-ここにキーがあります。



ところで、ここに私が使用したコードがあります：

Googleオーディオの形式と制限

Googleに部隊を派遣するのはどうですか？ ええ、Telegramからオーディオファイルを取得してSpeech APIサーバーに送信する必要があります。 元気？ Telegramの通常の.oga形式は受け入れられません-デコードする必要があります。 メディア変換には何がありますか？ もちろん、ffmpeg、幼少期から親しんでいました（父に感謝します。父は昔、彼を理解してくれました）。 ノードに接続する方法は？ おっと！ このために特別に調整されたnpmモジュールがあります。 .ogaファイルをどの形式に変換する必要がありますか？ Googleは.flacを受け入れ、変換、試行、すべてが受け入れられ、Googleがテキストで応答し、成功したことが判明しました。



しかし、そこにありました！ Googleは、Google Cloud Storageサービスにアップロードしない限り、60秒を超えるファイルをテキストに変換しません。 これは何？ すぐにGoogleプログラマーによって書かれたモジュールを試してみてください。時代遅れのnpm既製ソリューションに目を向けないでください。 さて、ファイルはアップロードされ、サービスによって処理され、テキストが返されます。 ちなみに、Googleには時間という奇妙な概念があります。何らかの理由で30秒のオーディオファイルは60秒と定義されています。 大丈夫です-30秒以上ファイルを試行し、次のレーキを踏む-GoogleはLINEAR16エンコードでのみ長いファイルを受け入れます。



LINEAR16とは何ですか？ ドキュメントでffmpegを探しています-そのようなものはありません。 いいですね さらに取り組みます。 この形式または獣用のコーデックを探しています-これは、「16ビットの符号付きリトルエンディアン」データであることがわかりました。 コンピューターサイエンスに関する本をいくつか読んで、「16ビット」とは何か、なぜ「リトルエンディアン」なのかを知っているのは良いことです。 ffmpegのこの形式が何であるかを探しています-aha：“ s16le”！ 私たちは変換しようとします-結局のところ、Googleは「ミッションが達成されました」というテキストを受け入れて応答します。



注意：以下は、変換に役立つコードです（マシンにffmpegをプレインストールする必要があります）！

収益化

しかし、それは何ですか？ Speech APIを使用するための2ドルとは何ですか？ 彼らはGoogleでオークを使って完全にそこに行きましたか？ 音声をテキストに翻訳するのに2時間以上使用したのはどうしてですか？ それはまったく機能しません-彼らは私のボットを100-1000チャットに追加します、そして私はどうすればいいですか？ 朝食では、ボットサポートの節約は機能しません-その規模ではありません。 どういうわけか支払いを台無しにする必要があります。 チャットごとに600秒間を空けてから、Google Speech APIの費用の補償を求めます。



Telegramでボットへの支払いを固定する方法は？ 明確な指示と収益化ツールは、まだTelegramに配信されていません。外部の問題を何らかの形で解決する必要があります。 どの支払いサービスを使用しますか？ まあ、最近、私は最年少の億万長者になった男について読んだ-彼は彼自身の支払いサービスを作成しました。 グーグル、私たちは見る-ストライプ、そしてそれを使う。 それは何ですか？ 彼らは便利なチェックアウトを持っています-しかし、もちろん私たちは標準フォームを使用しません、私たちは自分で行います。

フロントエンド

インタラクティブページを作成する場所 私はiOSプログラマーで、最近サーバー開発に没頭しました。そのため、足を少しすすいでください。そして、フロントエンドが間に合いました。どんな不幸ですか？ グーグル、インタラクティブなサイトを作成するためにどのテクノロジーが使用されているか。 Angular 2、jQuery、Vanila.js-jQueryが最もシンプルに見えます。特にそれを使います。特に私はかつて楽しい時間を過ごしていたからです。 Google YouTube jQueryチュートリアル-2〜3時間のトレシャック1回、進行方法、チュートリアル、Stack Overflowの回答を理解します。



ロゴ、フォーム、数行のテキスト、ボタンなど、サイトの構造をすばやく描画します。 どうやってやるの？ Bootstrapについて聞いたことがあります。 Google、Bootstrap 3でいくつかのレッスンを行います-まだGoogleで、画像、形状、ボタンを固定します-並べ替えても、適応性があります。 サイトの背景を白からよりクリエイティブなもの（わずかに灰色がかったもの）に変更し、サイトの準備が整いました。



JQueryの時間！ 別のプロジェクトで支払いを行うことにしました-コマンドラインで「エクスプレス支払い」を起動し、プロジェクトを取得します。 すばらしい、スクリプトをどこに置くか？ どうやって、直接サイトに？ 何かが間違っています-実際、それらを別のファイルに転送することができます。これが私たちのすることです。 エラー処理を別のラベルに固定し、Stripeフォームをチェックし（残念なことに、Checkoutモジュールで必要なすべてのユーザーインターフェイスを提供します）、新しいプロジェクトを同じデータベースに固定し、支払いをチェックします。 もちろん、おなじみのフロントエンドツール開発者がいないため、Webページを手動でリロードする回数は無数にあります。



ここに、小さなコメントで私が手に入れたファイル（慎重に、あまりきれいではないコード）を示します。

メインウェブサイト

優れたプロジェクトには堅実なウェブサイトが必要ですが、ホスティングにお金をかけたくありません。 ドメイン名を購入し、GitHub Pagesに直接送信します。幸いなことに、この経験は以前のオープンソースプロジェクトで十分です。 標準テンプレートを使用し、必要なデータを入力して、index.htmlをわずかに変更します-それだけです。

NginxとSSL

しかし、支払い方法がhttpsで利用できない場合、ユーザーはどのように私を信頼しますか？ 大丈夫-泳ぎました、わかっています！ サーバーでCertBotを起動し、必要なSSL証明書を取得します。 これまでのところ、アプリケーションは有料で利用可能です*ドメイン* .com：3000-ここでユーザーを誘導する価値はありません。 すべてのリクエストをhttpからhttpsにリダイレクトし、プロキシをポート80から3000に切断するようにNginxを構成します-チェックして、サイトに移動し、動作します。



興味のある方は、nginx設定ファイルをご覧ください。

おわりに

だから私の話は突然中断しました-すべてが準備ができたことが判明しました：1台のサーバーがすべてのボイスメッセージを受信して​​テキストに変換し、2台目が軍隊の処理時間の安全な支払いを担当し、GitHubはプロジェクトのメインサイトを配布します この記事で説明したい主なことは、製品を作成するプロセスは、手間はかかりますが、インターネット上の既存のツールのおかげで40〜80時間に収まることです。



この小さなプロジェクトには以下が含まれることを思い出させてください。

• 音声をテキストに変換するGoogleのニューラルネットワーク
• デザインやフロントエンドのスキルなしで作成された優れたWebサイト
• ちなみに、すべてのブラウザで動作し、AliPayやビットコインでも動作するスマートな支払いツール
• チャットとユーザーのデータベース。常に統計を見ることができます
• 異なる形式間でオーディオファイルを変換する
• SSLを備えた高度なサーバー、2つの複雑なアプリケーションが発生
• 人的要因がない：すべてが自動的に機能する

まだ自分の製品を作成するのに十分なスキルがないと思っているなら、見て回って、すべてがすでにあなたのために行われています。 同じ2000年とは対照的に、現在、製品の作成にはアルゴリズムとデータ構造の深い知識は必要ありません。 それで、あなたは何を待っていますか？

謝辞

最後まで読んでくれてありがとう！ この記事に関するすべてのコメントに喜んでお答えします。 これはHabrahabrのルールに反するため、ボット自体へのリンクは添付しません（完全に機能していますが）。

ロックオン。