結果を先にいうと、求める精度ではなかったのだけど
もったいないので試した経緯だけ残しておきます。
音声ファイルを用意する
afconvert -f WAVE -d LEI16 -c 1 XXXXX.m4a XXXXX.wav
A: よろしくおねがいします
B: よろしくおねがいします
A: といってもどうやりましょうね
Google Speech-to-Text を試す
$export GOOGLE_APPLICATION_CREDENTIALS = XXXXX.json
$ gsutil cp XXXXX.wav gs://bucketsXXX/XXXXX.wav
$ git clone https://github.com/googleapis/python-speech.git
$ virtualenv env
$ source env/bin/activate
$ pip install -r requirements.txt
- sample_rate_hertz=16000,
- language_code="en-US",
- model=model,
+ sample_rate_hertz=48000,
+ language_code="ja-JP",
+ #model=model,
$ python transcribe_model_selection.py gs://bucketsXXX/XXXXX.wav > interview.txt
Waiting for operation to complete...
--------------------
First alternative of result 0
Transcript: お願いします
--------------------
First alternative of result 1
Transcript: 言ってももうやりましょうね
--------------------
・・・・・
$ gcloud ml speech recognize-long-running 'gs://bucketsXXX/XXXXX.wav' --language-code='ja-JP' --sample-rate=48000 --async
Check operation [operations/XXXXXXXXXXXXX] for status.
{
"name": "XXXXXXXXXXXXX"
}
- 下記コマンドで処理状況を確認。
終わっていれば progressPercent が100になりresponseにテキストが返る
$ gcloud ml speech operations describe XXXXXXXXXXXXX
{
"done": true,
"metadata": {
"@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeMetadata",
"lastUpdateTime": "2021-09-XXT09:15:37.404790Z",
"progressPercent": 100,
"startTime": "2021-09-XXT08:59:39.288851Z",
"uri": "gs://bucketsXXX/XXXXX.wav"
},
"name": "XXXXXXXXXXXXX",
"response": {
"@type": "type.googleapis.com/google.cloud.speech.v1.LongRunningRecognizeResponse",
"results": [
{
"alternatives": [
{
"confidence": 0.8462801,
"transcript": "お願いします"
}
]
},
{
"alternatives": [
{
"confidence": 0.9102794,
"transcript": "言ってももうやりましょうね"
}
]
},
・・・・・
}
Amazon Transcribeを試す
- こちらのチュートリアルに沿って画面からアップロードするだけなので簡単
処理完了後、結果はjsonでダウンロードできる
aws.amazon.com
{"jobName":"sample-transcription-job","accountId":"XXXXXXXXXX","results":{"transcripts":[{"transcript":"よろしくお願いしますふーんって・・・・・}
Googleドキュメントの音声入力を試す
- ググるとよく出てきた方法
Virtual Audio Cableなど仮想オーディオで入力を出力に回して、音声ファイルを再生しながら音声入力する方法
- 結果
言ってももうやりましょうね こっちこそ・・・・・
結果
テキスト化したものは精度的に使えず、手打ちしたのであった‥
精度原因を探る
- インタビュー形式の2名の音声だったのだが、1名の音声のほうが大きく入っており、そちらばかりテキスト化されていた
- ずっと話し続けていて区切りのない音声だった
- 区切りが明確な発表形式だったら精度が違ったかもしれない