この投稿はWatson Speech to Textをcurlを使って実行した記録です。
実行方法
Speech to TextをBluemix上に作成していない場合は以下から作成し、Service Credentialsにあるusernameとpasswordをメモします。(現在の料金体系では毎月1000分までの処理が無料)
https://console.ng.bluemix.net/catalog/speech-to-text
ドキュメントに従い、以下の様にcurlでPOSTすると文字起こしされた結果が返ってきます。
curl -X POST -u service-username:service-password --header "Content-Type: audio/wav" --header "Transfer-Encoding: chunked" --data-binary @out000.wav "https://stream.watsonplatform.net/speech-to-text/api/v1/recognize?continuous=true&model=ja-JP_BroadbandModel"
ハマったところ
m4a拡張子のファイルに対応していない
iPhoneのボイスメモで記録したm4a形式の音声をテストに使う場合は、wavなどの形式に変更します。
brew install faad2
faad sample.m4a -o sample.wav
curlのPOSTがタイムアウトする
音声ファイルのサイズが大きすぎるとPOSTが終わらず処理がエラーになったので、ファイルを小さいサイズに分割しました。実行時間も短くなるので試しやすくなります。
以下は60秒の音声ファイルに分割する場合の例です。
brew install ffmpeg
ffmpeg -i sample.wav -f segment -segment_time 60 -c copy out%03d.wav
英語で文字起こしされる
デフォルトは判定のモデルにen-US_BroadbandModelが使用されます。
現在、日本語に対しては以下の2つのモデルが用意されています。
- ja-JP_BroadbandModel
- ja-JP_NarrowbandModel