自動音声認識とは？ しばしばASRと略され、人がタイプしなくても、話し言葉の音声に含まれる言葉を自動的に識別する技術です。出力はプレーンテキストで、タイムスタンプが付くこともあります。精度は録音の品質、なまり、話される言語に大きく左右されます。
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
- 現代のASRシステムは、録音とその文字起こしを組にした大量のデータで学習したニューラルネットワークです。
- ASRは音声からテキストへの変換とも呼ばれます。どちらも、音を文字にする同じ工程を表す名前です。
- システムは単語誤り率で比較されます。これは、参照テキストに対する誤り、欠落、余計な単語の数です。
- 句読点、話者ラベル、数字の整形などの追加工程は、認識そのものの後で加えられることがよくあります。
- 同じエンジンでも、スタジオのマイクと、騒がしいテーブルの向こうに置いた携帯電話とでは、まったく違う挙動を示すことがあります。
見た目のイメージ
audio -> features -> acoustic + language model -> text
example result:
{
"text": "the meeting starts at nine",
"segments": [
{"start": 0.0, "end": 2.4, "text": "the meeting starts at nine"}
]
}
関連情報
よくある質問
ASRは音声テキスト変換と同じですか。
日常的な使い方では、はい。ASRは工程の専門的な呼び名で、音声テキスト変換は、同じ作業とその結果を指すわかりやすい呼び名です。
ASRは意味を理解していますか。
人間のような意味では理解していません。聞こえた音に最ももっともらしい言葉を予測するので、音は合っていても誤った言葉を書くことがあります。
ASRの結果を悪くする要因は何ですか。
背景ノイズ、重なる声、強いなまり、質の悪いマイク、珍しい名前は、どれも精度を下げます。きれいな録音が、最大の助けです。
ASRの品質はどう測りますか。
主に単語誤り率で測り、スペースなしで書く言語では文字誤り率を使います。どちらも、出力を人が作った参照テキストと比べます。
録音にASRを使うにはどうすればよいですか。
ファイルをTelegramのPotokボットに送ります。ボイスメッセージ、音声、動画ファイルを2 GBまで受け付け、テキストはメッセージかファイルで返ります。
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。
- Speech recognition (Wikipedia), Wikipedia · 確認日
- Word error rate (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