音声のテキスト化とは、音声に含まれる話し言葉を文章に変換するソフトウェアです。プログラムは音を短いフレームに切り、音声の音に対応させ、最も可能性の高い言葉を組み立てます。同じ考え方は、音声認識やASRとも呼ばれます。
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
- 現在のシステムは、手書きの規則ではなく、録音と正しいテキストの組を大量に集めて学習したニューラルネットワークを使います。
- 品質の一般的な指標は単語誤り率で、正しい文字起こしと比べて置き換わった、抜けた、追加された言葉の割合です。
- 訛り、専門用語、同時発話、雑音は誤り率を上げ、学習時にあまり見ていない言語でも同様です。
- 生の出力には、誰が話したか、文がどこで終わるかの情報がないため、追加の工程で話者ラベル、句読点、タイムスタンプが加わります。
- 音声のテキスト化は音を同じ言語の言葉にするもので、ある言語を別の言語に変えるものではありません。
見た目のイメージ
// input
talk.m4a (spoken: "send the invoice on friday")
// pipeline
audio -> frames -> speech sounds -> likely words -> text
// output
send the invoice on friday
関連情報
よくある質問
音声のテキスト化は口述と同じですか？
口述はその一つの使い方です。話すと文書にテキストが現れます。録音の文字起こしは、同じ技術の別の使い方です。
音声認識と同じですか？
はい。これらの用語は同じ意味で使われます。ASRは、自動音声認識の略で、技術的な名称です。
どれくらい正確ですか？
音声、声、言語によって違います。公開された単語誤り率の数値が目安になり、明瞭な録音が最も助けになります。
Potok で録音をテキストに変換するには？
ボットを開き、ボイスメッセージ、音声、動画を送るか、YouTubeのリンクを貼ると、テキストがチャットまたはファイルで返ってきます。
結果を書き出せますか？
はい。TXT、MD、DOCX、PDF、SRT、VTTに書き出せます。短い結果はチャットのテキストで、長い結果はファイルで届きます。
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