単語単位のタイムスタンプとは、文や段落ではなく、一語ごとに付けるタイムスタンプです。すべての単語が、録音の中での開始と終了の時刻を持ちます。これにより、特定の単語へ正確に移動したり、カラオケ風の字幕を作ったり、音声編集で正確に切ったりできます。
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
- 単語の時刻は、多くの場合アライメントで求めます。認識された言葉を音に対応させ、各語が始まる位置に印を付ける工程です。
- 各単語に二つの数値が必要なので、出力はプレーンテキストに比べて大きくなり、JSONのようなデータとして保存されます。
- 編集では、テキストの単語を削除して対応する音も削ることで、つなぎ言葉や言い間違いを切り出すのに単語の時刻を使います。
- 速い話し方、もごもごした発話、重なった声では語の境界がぼやけるので、時刻は一秒に満たない程度ずれることがあります。
- ほとんどの読み手にはこれほどの細かさは必要なく、メモや引用には段落や文の目印で十分です。
見た目のイメージ
{
"words": [
{ "word": "send", "start": 12.40, "end": 12.62 },
{ "word": "the", "start": 12.62, "end": 12.70 },
{ "word": "invoice", "start": 12.70, "end": 13.18 }
]
}
// start and end are seconds from the beginning of the file
関連情報
よくある質問
単語単位のタイムスタンプが必要なのはどんなときですか？
テキストによる編集、再生中の現在の語のハイライト、引き締まった字幕の作成です。通常の読み物には、文の目印で足ります。
単語単位のタイムスタンプは常に正確ですか？
いいえ。雑音の多い発話や速い発話ではずれることがあります。正確な切り出しに頼る前に、いくつかの語を音声と照らして確認してください。
SRTとVTTは単語の時刻を使いますか？
標準では使いません。語のまとまりであるキューごとに時刻を保存します。単語の時刻にはデータ形式か、特別な字幕スタイルが必要です。
Potok はタイムスタンプを付けますか？
ボットではタイムスタンプは任意で、ファイルを送る前にオンにできます。書き出したファイルを開き、どれくらい細かく配置されているか確認してください。
単語の時刻と文の時刻はどう違いますか？
文の時刻は、文がいつ始まるかを示します。単語の時刻は、その中のすべての語に開始と終了を与えます。
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。
- 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