Amazon Transcribe による「音声の文字起こし」をブラウザから試す

はじめに

AWS は様々な AI サービスを提供しています

そして、それらのサービスはブラウザから簡単に試せるようになっています

本記事では AWS の AI 音声認識サービス Amazon Transcribe をブラウザから試してみます

Amazon Transcribe とは

Amazon Transcribe　は音声をテキストに変換する、つまり「音声の文字起こし」=音声認識サービスです

Amazon Transcribe の使い途（ユースケース）

Amazon Transcribe は単に音声を文字にするだけでなく、誰が喋っているのか判別したり、単語を区切ったり、個人情報などを識別したりなど、様々な機能を備えています

Amazon Transcribe の多様な機能を活用することで、以下のような用途に使用可能です

• 会議中に録音した音声から議事録を作る
• 撮影した動画の字幕を作る
• 音声合成サービス Polly などと組み合わせて電話に自動応答する
• 音声から個人情報や不適切な言葉を検出し、マスキングする

Amazon Transcribe の料金

AWS の料金は基本的に従量課金制です

また、リージョン（サービス提供するサーバーが存在する地域）によって料金が異なります

Amazon Transcribe を東京リージョンで使う場合、リアルタイム音声認識なら $0.024 / 分　の料金になります

150 ¥/$ の場合、 ¥3.6 / 分 = ¥216 / 時間 となります

例えば 2 時間の会議をリアルタイム音声認識すれば ¥432 請求されます

ただし、 AWS のサービスの多くには無料利用枠が存在します

無料利用枠
12 か月間、1 か月あたり 60 分
AWS 無料利用枠の一環として、Amazon Transcribe の使用を無料で開始できます。Amazon Transcribe の無料利用枠は、最初の文字起こしリクエストを作成した日から 12 か月間利用できます。

Amazon Transcribe の場合、初めて使ったときから12ヶ月間は1ヶ月に60分までは利用可能なため、本記事で実行する程度の処理であれば無料範囲内に収まります

アカウント作成

Amazon Transcribe を使うためには、 AWS のアカウント作成が必要です

以下の公式手順に従って、アカウントを作成してください

ブラウザからの音声認識実行

Amazon Transcribe への移動

AWS のマネジメントコンソールにログインすると、以下のような画面が表示されます

この画面から最近使ったサービスなどにアクセスできるようになっています

上メニューにある検索ボックスに transcri と入力してみましょう

サービスの候補として Amazon Transcribe が表示されます

Amazon Transcribe をクリックして、サービスページに移動しましょう

以下のような画面が表示されます

横文字の意味は以下のように解釈してください

• Transcribe = トランスクライブ = 文字にする = 文字起こし、音声認識する
• トランスクリプション = 文字起こし、音声認識
• トランスクリプト = 文字にしたもの = 文字起こし、音声認識の結果

リアルタイム音声認識の実行

ブラウザから文字起こしを実行してみましょう

右側にあるオレンジ色の「トランスクリプトを作成」のボタンをクリックします

リアルタイムトランスクリプションのページに移動します

このページではマイクで喋った音声をそのまま文字起こししてくれます

まず、下の方にある「言語設定」から「言語」を「日本語、日本(ja-JP)」に変更します

続けて上の方にあるオレンジ色の「ストリーミングを開始」のボタンをクリックしてください

ブラウザがマイクの使用について許可を求めてきます（画像は Chrome の場合）

「許可をする」をクリックしてください

すると、ボタンの文字が「ストリーミングを停止」に変わります

この状態でマイクに喋ると、「トランスクリプション出力」の欄に喋った内容がリアルタイムで表示されます

喋り終わったら「ストリーミングを停止」ボタンをクリックして終了します

「完全なトランスクリプションをダウンロードする」をクリックすると、音声認識の詳細な内容が JSON という形式でダウンロードできます

[
	{
		"Transcript": {
			"Results": []
		}
	},
	{
		"Transcript": {
			"Results": []
		}
	},
	{
		"Transcript": {
			"Results": []
		}
	},
	{
		"Transcript": {
			"Results": [
				{
					"Alternatives": [
						{
							"Items": [
								{
									"Content": "昔",
									"EndTime": 1.485,
									"StartTime": 1.0375,
									"Type": "pronunciation",
									"VocabularyFilterMatch": false
								}
							],
							"Transcript": "昔"
						}
					],
					"ChannelId": "ch_0",
					"EndTime": 1.485,
					"IsPartial": true,
					"ResultId": "7b59326d-dfbc-480b-84f1-242cb10e6b95",
					"StartTime": 0.67
				}
			]
		}
	},
	{
		"Transcript": {
			"Results": []
		}
	},
	{
		"Transcript": {
			"Results": [
				{
					"Alternatives": [
						{
							"Items": [
								{
									"Content": "昔",
									"EndTime": 1.5375,
									"StartTime": 1.0375,
									"Type": "pronunciation",
									"VocabularyFilterMatch": false
								}
							],
							"Transcript": "昔"
						}
					],
					"ChannelId": "ch_0",
					"EndTime": 1.685,
					"IsPartial": true,
					"ResultId": "7b59326d-dfbc-480b-84f1-242cb10e6b95",
					"StartTime": 0.67
				}
			]
		}
	},
...

プログラムから Amazon Transcribe を使用する場合、この JSON　をプログラムから読み込んでテキストファイルや Web ページに出力することになります

Elixir というプログラミング言語での実装例はこちら

話者のパーティショニング

複数人で喋っているとき、どの発言を誰がしたのか、聞き分けてくれます

議事録を作るときには必須の機能です

リアルタイムトランスクリプションのページで「音声設定」の「話者のパーティショニング」のトグルボタンを ON にしましょう

その状態で２人以上で喋ると、喋った人毎に Speaker01 のような ID が割り当てられて、どの発言が誰のものなのか分けてくれます

Speaker 01: こんにちは。 
Speaker 03: こんにちは。 
Speaker 01: 今日 は 何 曜日 です か？ 
Speaker 03: 今日 は 日曜日 です。 

コンテンツの削除設定

不適切な発言や個人情報などを自動的にマスキングしてくれる（隠してくれる）機能です

ただし、サポートしている言語が限定されています

2023年11月現在、英語しかサポートされていません

「言語」を「英語、米国(en-US)」に設定します

「PIIの識別とマスキング」のトグルボタンを ON にして、「PII検出対応を選択」で「識別とマスキング」を選択します

この先が成功するかは英語の発音にかかっています

My name is Jhon Smith （マイネーム イズ ジョン スミス） と喋ってみましょう

実行結果は以下のようになり、個人情報がマスキングされていることがわかります

My name is [NAME].

録音ファイルからの文字起こし

左メニューから「トランスクリプションジョブ」をクリックし、録音した音声ファイルからの文字起こしも可能です

その場合、 S3 という AWS 上のストレージサービス（ファイルの保管場所）に置いてあるファイルを読み込み、結果を S3 に出力します

まとめ

Amazon Transcribe を使って音声の文字起こしができました

喋っている人物の識別や個人情報のマスキングなどを活用すれば、様々な応用も可能ですね