AWS Transcribeで音声文字起こし

アーキテクチャ

input bucketへのアップロードをトリガーに音声ファイルを文字起こし

手順

1.　bucketの作成（インプットとアウトプット用の２つ）
2.　IAMロールの作成
3.　transcribe_functionの作成

S3バケットの作成

Lambdaのトリガー設定時に、下記のような注意書きがあるように、入出力のバケットは分けた方が良い

IAMロールの作成

設計図の使用を選択して、関数を作成する

S3とTranscribeへのフルアクセス権限を付与
操作内容が明白な場合は絞り込んだ方が良いが、個人環境なので、一旦はフルアクセス権限を付与

Lambda関数の作成

• 既存のロールに先ほど作成したロールを選択
• s3トリガーにinput bucketを指定する

transcribe_function

import json
import urllib.parse
import boto3
import datetime

s3 = boto3.client('s3')
transcribe = boto3.client('transcribe')

def lambda_handler(event, context):
    #print("Received event: " + json.dumps(event, indent=2))

    # Get the object from the event and show its content type
    bucket = event['Records'][0]['s3']['bucket']['name']
    key = urllib.parse.unquote_plus(event['Records'][0]['s3']['object']['key'], encoding='utf-8')
    try:
        transcribe.start_transcription_job(
            TranscriptionJobName= datetime.datetime.now().strftime("%Y%m%d%H%M%S") + '_Transcription',
            LanguageCode='ja-JP',
            Media={
                'MediaFileUri': 'https://s3.ap-northeast-1.amazonaws.com/' + bucket + '/' + key
            },
            Setting={
                'ShowSpeakerLabels': 'True',
                'MaxSpeakerLabels': 2,
            },
            OutputBucketName='your-output-bucket-name'
        )
    except Exception as e:
        print(e)
        print('Error getting object {} from bucket {}. Make sure they exist and your bucket is in the same region as this function.'.format(key, bucket))
        raise e

input bucket　の情報取得

transcribe_function

import boto3
s3 = boto3.client('s3')

#トリガーとなるインプットバケットからバケットとオブジェクト名を取得
bucket = event['Records'][0]['s3']['bucket']['name']
key = urllib.parse.unquote_plus(event['Records'][0]['s3']['object']['key'], encoding='utf-8')

transcribeの実装

transcribe_function

transcribe.start_transcription_job(
            TranscriptionJobName= datetime.datetime.now().strftime("%Y%m%d%H%M%S") + '_Transcription',
            LanguageCode='ja-JP',
            Media={
                'MediaFileUri': 'https://s3.ap-northeast-1.amazonaws.com/' + bucket + '/' + key
            },
            Setting={
                'ShowSpeakerLabels': 'True',
                'MaxSpeakerLabels': 2,
            },
            OutputBucketName='your-output-bucket-name'
        )

• transcribejobは一意である必要があるため、date関数を使用
• 言語は、日本語を指定
• スピーカーの数を指定

その他、パラメータの詳細は下記を参照

output bucketの中身を確認

テキスト化されたファイルがjson形式で出力されている
インデントが整形されていないので、整形ツールを使用して整える

文字起こし性能を向上させたい

• スピーカーの数を指定
• カスタム語彙（固有名詞、専門用語）の登録