言語識別とは、録音で話されている言語を、多くは言葉を認識する前に見分ける処理です。検出器は短い音の区間を聞き、決まった一覧の中から最も可能性の高い言語を選びます。その結果によって、どの認識器が音声を読むかが決まります。
録音を文字起こしする
音声メッセージ、音声、動画を Telegram の @potok_now_bot に送ると、チャットにテキストが返ってきます。
2 GB までのファイル · TXT、MD、DOCX、PDF、SRT、VTT で書き出し · 話者ラベルとタイムスタンプ · 約30言語
要点
- 検出器は対応している言語の中からしか選べません。一覧にない言語の音声は最も近い言語に当てはめられ、判定は外れます。
- 短い録音では手がかりが少なく、一文だけの音声は数分の会話よりずっと信頼しにくくなります。
- 言語が混ざった音声は難しく、文の途中で言語を切り替える話者は、ファイル全体が一つの言語として判定されることがあります。
- スペイン語とポルトガル語のように語彙を共有する近い言語は、音が大きく違う言語より取り違えられやすくなります。
- 音楽や背景の雑音も判定を狂わせます。検出器が聞くのはきれいな音声ではない信号だからです。
見た目のイメージ
// illustrative output of a language detector for one recording
{
"file": "call.m4a",
"detected": "es",
"scores": { "es": 0.91, "pt": 0.07, "it": 0.02 }
}
// a low top score points to a short, noisy or mixed clip
関連情報
よくある質問
録音の言語はなぜ重要ですか？
認識器は一度に一つの言語を前提にします。違う言語を指定されても言葉は出力されますが、その言語で最も近い音に当てはめた結果になり、意味が通りません。
言語識別と音声認識は同じですか？
いいえ。言語識別は言語の名前を決めるだけで、音声認識は音声を言葉にします。適切な認識器を選ぶため、識別が先に行われることが多いです。
二つの言語が入った録音ではどうなりますか？
結果は一定しません。多くのシステムは主な言語を選び、残りを誤って読みます。言語が変わる所でファイルを分け、それぞれ別に処理するほうが確実です。
Potok のボットは何言語に十分対応していますか？
すべてではありません。ボットは、公開された結果が良好な約30言語でよく動作し、注意付きでさらに数言語に対応します。珍しい言語を送る前に言語一覧を確認してください。
検出器を助けるにはどうすればよいですか？
冒頭の長い無音や音楽を切り、明瞭な録音を使い、できるだけ一つのファイルに一つの言語だけを入れてください。音声のサンプルが長いほど判定しやすくなります。
出典
各出典は、記載の日付に手作業で開いて確認しました。ページは変更されることがあるため、細部が重要な場合は出典をご確認ください。
- Language identification (Wikipedia), Wikipedia · 確認日
- Speech recognition (Wikipedia), Wikipedia · 確認日
お手持ちの録音で試してみましょう
音声メッセージ、音声、動画を Telegram の @potok_now_bot に送ると、チャットにテキストが返ってきます。
Telegram で @potok_now_bot を開く