強制アラインメントとは？ 既知のテキストを録音に合わせて、各単語が話された時刻を見つけることです。言葉はあらかじめ与えられているので、システムは時間軸のどこに入るかだけを決め、何が話されたかを割り出す必要はありません。
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
- 入力は音声とその正確なテキストの両方で、台本、本の一章、修正済みの文字起こしなどです。
- 出力はすべての単語の開始時刻と終了時刻で、字幕ファイルの行単位の時刻より細かくなります。
- テキストが実際に話された内容と違っていると、ずれた箇所の近くのタイミングは信頼できなくなります。
- 典型的な用途は、カラオケ風のハイライト、字幕のタイミング合わせ、長い録音の中から文を探すことです。
見た目のイメージ
input: audio = reading.wav
text = "the harbour was quiet"
output: [
{"word": "the", "start": 0.42, "end": 0.55},
{"word": "harbour","start": 0.55, "end": 1.02},
{"word": "was", "start": 1.02, "end": 1.21},
{"word": "quiet", "start": 1.21, "end": 1.80}
]
関連情報
よくある質問
強制アラインメントは文字起こしとどう違いますか。
文字起こしは音から言葉を見つけます。強制アラインメントは言葉から始めて、音声の中での位置だけを見つけるので、誤りは認識ではなくタイミングから生じます。
実行するには何が必要ですか。
録音と、それにしっかり一致するテキストが必要です。発話とテキストの一致がきれいなほど、タイミングは良くなります。
テキストに間違いがあるとどうなりますか。
話されていない言葉や、テキストから抜けた言葉があると、その前後のアラインメントが乱れます。先に文字起こしを直してから、合わせてください。
単語単位のタイミングが欲しいのはなぜですか。
話された単語へ移動したり、再生中にテキストをハイライトしたり、行の先頭ではなく正確な単語で音声を切り出したりできるからです。
Potokボットからタイミング付きの文字起こしを得られますか。
はい。タイムスタンプをオンにでき、SRTやVTTで書き出せます。長い間やノイズでタイミングがずれることがあるので、再生と照らして確認してください。
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。
- Forced alignment (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