はじめに
この記事の対象は、日本語の音声認識をする人を対象としています。
本記事で扱う音声認識は、mp3などのファイルに固定のファイルを想定しています。
ストリーミングしたリアルタイム性のある音声認識は対象外です。
サービスの紹介と、その特徴
| サービス名 | 料金 | 動作環境 | コメント |
|---|---|---|---|
| Google Speech-to-Text | 0~60分：無料トライアル 60分超～100万分まで：$0.006/15 秒** |
API | 簡単に利用できた |
| Amazon Transcribe | 250,000分まで0.00040USD | API | S3挟まないと動かない |
| Azure Speech Services | 1 か月あたり 5 音声時間は無料 | API | 触ったことがなく、詳しくないです。 |
| AmiVoice | API：0.0275円/秒〜 スタンドアロンはお問合せから |
APIもあるし、スタンドアロン環境のwindowsで可能 | お高いらしい。触ったことがなく、詳しくないです。 |
| julius | 無料※BSDライセンス | windows、Linux | 無料でするならこれ一択 環境構築構築が大変で、単語辞書や文法規則から準備する必要もある。 |
動かしてみる
Amazon Transcribe
コンソール画面からの動作はこちら
音声認識の流れはS3に音声ファイルを保存し、保存したファイルに向けたジョブを作成し、作成したジョブで判定た判定結果をS3に保存する流れでした。
そのため、音声認識にはAWSにログインして、S3にファイルをあげることとジョブの作成が必要でした。
コンソール画面とやっていることは原則同じです。S3に音声ファイルをアップロードし、ジョブを作成し、その結果をS３に保存します。その結果のS3にはjsonが出力されるので、出力結果をみる感じでした。
#!/usr/bin/env python3
from __future__ import print_function
import time
import boto3
transcribe = boto3.client('transcribe')
job_name = "job_name"
job_uri = "s3://DOC-EXAMPLE-BUCKET1/key-prefix/file.file-extension"
transcribe.start_transcription_job(
TranscriptionJobName=job_name,
Media={'MediaFileUri': job_uri},
MediaFormat='wav',
LanguageCode='en-US'
)
while True:
status = transcribe.get_transcription_job(TranscriptionJobName=job_name)
if status['TranscriptionJob']['TranscriptionJobStatus'] in ['COMPLETED', 'FAILED']:
break
print("Not ready yet...")
time.sleep(5)
print(status)
{
"jobName": "job_name",
"accountId": "*************",
"results": {
"transcripts": [
{
"transcript": "こんにちは"
}
],
"items": [
{
"start_time": "1.27",
"end_time": "1.96",
"alternatives": [
{
"confidence": "0.9992",
"content": "こんにちは"
}
],
"type": "pronunciation"
}
]
},
"status": "COMPLETED"
}
google speech to text
サンプルプログラムを以下に記載します。
APIの返り値が認識結果がだけと、かなりシンプルな仕組みになっていました。
あと準備もほとんどしなくてよくて、結構簡単でした。
#!/usr/bin/env python3
import speech_recognition
def api_google():
file_path = "./voice_file.wav"
r = speech_recognition.Recognizer()
with speech_recognition.AudioFile(file_path) as src:
audio = r.record(src)
result = r.recognize_google(audio, language='ja-jp')
print(result)
if __name__ == "__main__":
api_google()
"""
$ ~/python3 google_api_sound.py
こんにちは
"""
Azure
Azureはアカウントを持っていないため、紹介だけになります。Azureはデモがありました。
公式のドキュメントはこちら。
短い音声（simple）の場合は、JSONが帰ってきて、DisplayTextに認識内容が入るようです。
{
"RecognitionStatus": "Success",
"DisplayText": "Remind me to buy 5 pencils.",
"Offset": "1236645672289",
"Duration": "1236645672289"
}
AmiVoice
触ったことがないため、割愛します。
julius
下の画像はjuliusを起動し、hello.wavファイルを読み込ませた画像です。
デフォルトで付属されている単語と文法で、 （果物）が（何個）あります。 の音声認識ができます。
この固定の文章以外で音声認識したい場合は、単語と文法規則の両方の設定ファイルを作成する必要があります。
また、出力結果の画像を下に記載します。
下の出力結果から、sentence1を抜き出して音声認識の結果として出力します。
環境構築にすごく苦戦しました。
３回は環境構築しましたが、その度に何かしらエラーがでてサクサク環境構築はできなかったです。
以下は環境構築で苦戦したことを箇条書きで書き出します。
- utf-8に統一する
- ファイルには実行権限付与しないといけない（mkdfa.plとyomi2voca.plにchmod 755しました）
- perlは実行場所が大事で、./mkdfa.plと~/foo/mkdfa.plでは意味が違う
- mkdfa.plで
sh: mkfa: command not found言い出したら、このサイトに従いソースコードを書き換える - ノイズキャンセル等の前処理を勝手に追加すると、精度が落ちる。
- 16kHzに統一する。（48kHzや44.1kHzだと精度が落ちる。HMMの関係？）
- このサイトから使えそうなオプションは積極的に採用する。探索幅を広げるのは特に精度向上に一役買った。
まとめ
前回の合成音声に続き音声認識もまとめました。
大きな流れとして、大企業が精度の良いものをAPIとして開発し、その出来上がっているものを使って、サービスに注力できるようになってるみたいです。
クラウド化した世界で、APIを使ったオンラインでの音声認識が主流になっており、オンプレ環境の音声認識はamiVoiceが一択の雰囲気でした。
無料でするならJuliusですが、本記事でも書いてる他ググったらわかるように、環境構築がかなり苦戦します。また教え込んだ文章しか音声認識できず、使用場面は限られると思います。